Keras — mnist 手写体数字识别

Keras — mnist 手写体数字识别

一、前序知识

1. MNIST：大多数示例使用手写数字的MNIST数据集。
   该数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心。
   MNIST图像数据集使用 [28,28] 的二维数组来表示每个手写体数字，数组中的每一个元素对应于一个像素点，即每张图片固定为 28 * 28 像素大小。
   
   数据集官网：http://yann.lecun.com/exdb/mnist/
   
   

2. Kears
   关于Keras：
     Keras是由纯python编写的基于theano/tensorflow的深度学习框架。
   Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：

   • 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
   • 支持CNN和RNN，或二者的结合
   • 无缝CPU和GPU切换

二、Keras 训练 mnist

1. 使用 Keras 加载 MNIST 数据集：

# 导入手写体的数据集
from keras.datasets import mnist

dataset_name = 'mnist.npz'
data = mnist.load_data(dataset_name)
(x_train, y_train), (x_test, y_test) = data

# reshape(samples, feature)
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

2. 数据预处理：

# 导入one-hot,标签转化为向量
from keras.utils import to_categorical

# 将图片灰度值归一化到0~1之间的值
x_train /= 255
x_test /= 255

# 将标签数据进行 one-hot编码
# 分类类别
num_category = 10
# one-hot, 将类别标签转化为二进制的向量，第i位为1，就表示为第i类
y_train = to_categorical(y_train, num_category)
y_test = to_categorical(y_test, num_category)

3. 使用 Keras 定义 MNIST 网络模型：
   input_shape=(784,)：输入层 784 为样本的特征数28 * 28
   输出层神经元个数为10，为分类的类别数
   activation=‘softmax’：多分类问题，输出层激活函数使用 softmax

# 导入相关层的结构
from keras.models import Sequential
from keras.layers import Dense

# Sequential 顺序模型，它由多个网络层线性堆叠
model = Sequential()
# 使用 .add() 来堆叠模型：
model.add(Dense(512, activation='relu', input_shape=(784,), name='Dense_0'))
model.add(Dense(512, activation='relu', name='Dense_1'))
model.add(Dense(10, activation='softmax', name='Dense_2'))

4. 可视化网络：

# 可视化神经网络
from keras.utils import plot_model

print(model.summary())
plot_model(model, to_file='mnist.png')

模型信息：

• model.summary()：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
Dense_0 (Dense)              (None, 512)               401920    
_________________________________________________________________
Dense_1 (Dense)              (None, 512)               262656    
_________________________________________________________________
Dense_2 (Dense)              (None, 10)                5130      
=================================================================
Total params: 669,706
Trainable params: 669,706
Non-trainable params: 0
_________________________________________________________________

• mnist.png：
  

5. 使用 Keras 训练 MNIST 网络模型：
   metrics=[‘accuracy’]：Keras自带的统计准确率

# 导入keras的优化器
from keras.optimizers import RMSprop

# 使用 .compile() 来配置学习过程：
model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

# 进行训练
history = model.fit(x_train, y_train,
                    batch_size=128, epochs=10,
                    verbose=1, validation_data=(x_test, y_test))

# 评估模型性能
score = model.evaluate(x_test, y_test, verbose=0)
print(score)

6. 保存训练好的 MNIST 模型：

# 保存训练好的模型
model.save('mnist.h5')

三、完整代码

完整代码已上传至github：
https://github.com/pentiumCM/machinelearn/blob/master/machinelearn/keras_learn/hello_mnist.py