Alexnet的mnist的测试代码(keras框架)

# Author:xiaoseng
#-*-codingutf-8-*-
#@time : 2020/6/2 5:41
#@File :Alexnet---keras.py
#@software : PyCharm

import numpy as  np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import  Sequential
from keras.layers import  Dense,Dropout,Convolution2D,MaxPool2D,Flatten
from keras.optimizers import Adam

#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#改变通道数
x_train=x_train.reshape(-1,28,28,1)/255.0
x_test=x_test.reshape(-1,28,28,1)/255.0
#换成 one-hot模式
y_train=np_utils.to_categorical(y_train,num_classes=10)
y_test=np_utils.to_categorical(y_test,num_classes=10)
#定义顺序模型
model=Sequential()
'''
#第一个卷积层
input_shape  输入平面
filters 卷积核个数
kernal_size 卷积窗口大小
stride 步长
padding  same/valid
activation 激活函数
'''
model.add(Convolution2D(
    input_shape=(28,28,1),
    filters=32,
    kernel_size=5,
    strides=1,
    padding='same',
    activation='relu',

))
#第一个池化层
model.add(MaxPool2D(
    pool_size=2,
    strides=2,
    padding='same',
))
#第二个卷积层
model.add(Convolution2D(64,5,strides=1,padding='same',activation='relu'))
#第二个卷积层
model.add(MaxPool2D(2,2,'same'))
#把第二个卷积层输出扁平化为1维
model.add(Flatten())
#第一个全连接层
model.add(Dense(1024,activation='relu'))
#dropout
model.add(Dropout(0.5))
#第二个全连接层
model.add(Dense(10,activation='softmax'))
#定义优化器
adam=Adam(lr=1e-4)
# 定义优化器,loss  function
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
#训练模型
model.fit(x_train,y_train,batch_size=64,epochs=10)
#评估模型
loss,accuracy=model.evaluate(x_test,y_test)

print('test loss',loss)
print("test accuray",accuracy)

'''
60000/60000 [==============================] - 13s 221us/step - loss: 0.0203 - acc: 0.9935

10000/10000 [==============================] - 1s 83us/step
test loss 0.02485178290309268
test accuray 0.9913
'''
'''
60000/60000 [==============================] - 13s 221us/step - loss: 0.0223 - acc: 0.9930
10000/10000 [==============================] - 1s 81us/step
test loss 0.02190355538552394
test accuray 0.9922
'''
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值