keras的mnist学习

#手写数字识别
import numpy as np
import keras
import tensorflow as tf
from keras.models import Sequential
from keras.layers.core import Dense,Dropout,Activation
from keras.optimizers import SGD   #SGD随机梯度下降
from keras.datasets import mnist
#第一步选择模型model的模型分Model  函数式模型 和Sequetial 序贯模型
#函数式模型 单输入单输出 不能跨层连接 快   序贯模型 多数入多输出 可以跨层（残差网络）效率低一些
model = Sequential()
#第二步构建模型
#mnist给定的数据集包括60000张28×28的训练集和10000张28×28的测试集及其对应的目标数字。
#我们后端选择tensorFlow，则数据格式是channel_last  则（6000，28，28）,图片为灰度图，所以为1通道
#Keras中输入多为(nb_samples, input_dim)的形式：即(样本数量，输入维度)。而我们也常将一张图像整合成一个向量。
model.add(Dense(500,input_shape=(784,)))#隐层节点500个，model的输入是28*28
model.add(Activation('tanh'))
model.add(Dropout(0.5))

model.add(Dense(500))
model.add(Activation('tanh'))
model.add(Dropout(0.5))

model.add(Dense(10))#输出结点是10分类，所以dense是10维
model.add(Activation('softmax'))  #最后一层用softmax做为多分类激励函数
model.summary()
#第三步，编译,模型在使用前必须编译，否则在调用fit或evaluate时会抛出异常。
# 所以在save模型时候，要save编译前的。load模型之后要编译这个模型，所以save的时候不能保存loss函数，optimizer函数等。这些要在使用的时候自己写。
sgd=SGD(lr=0.01,momentum=0.9,decay=1e-9,nesterov=True)#优化函数，参数有学习率，学习衰退率  ,指数1e-9这样写
model.compile(optimizer=sgd,loss='categorical_crossentropy') # 使用交叉熵作为loss函数
#不要在model.compile（）里写,class_mode='categorical'。因为会出“TypeError: run() got an unexpected keyword argument 'class_mode'”这个错误
#第四步 ， 训练
'''
   .fit的一些参数
   batch_size：对总的样本数进行分组，每组包含的样本数量
   epochs ：训练次数
   shuffle：是否把数据随机打乱之后再进行训练
   validation_split：拿出百分之多少用来做交叉验证
   verbose：屏显模式 0：不输出  1：输出进度  2：输出每次的训练结果
'''


#(x_train, y_train), (x_test, y_test) = mnist.load_data()# 使用Keras自带的mnist工具读取数据（第一次需要联网）
#由于网址会被隔断，访问不到。我们将数据下载到.py通缉处
# 由于mist的输入数据维度是(num, 28, 28)，这里需要把后面的维度直接拼起来变成784维
path='./mnist.npz'
f = np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
f.close()

x_train=x_train.reshape(x_train.shape[0],28*28).astype('float32')
x_test=x_test.reshape(x_test.shape[0],28*28).astype('float32')
#y_train=(np.arange(10)==y_train[:,None]).astype(int)# h.astype(int)相当于将h转换类型为Int
#y_test = (np.arange(10) == y_test[:, None]).astype(int)
num_classes=10
y_train = keras.utils.to_categorical(y_train, num_classes)# convert class vectors to binary class matrices,label为0~9共10个类别，keras要求格式为binary class matrices
y_test = keras.utils.to_categorical(y_test, num_classes)#  to_categorical  i  for use with categorical_crossentropy.也就是说它是对于一个类型的容器（整型）的转化为二元类型矩阵。比如用来计算多类别交叉熵来使用的。
model.fit(x_train,y_train,batch_size=500,epochs=50,shuffle=True,verbose=0,validation_split=0.3)
#verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
#shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
#validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。
# 注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
# initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。
# fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况
model.save('./now_model.h5')
print("test set")
scores = model.evaluate(x_test,y_test,batch_size=500,verbose=0)

#evaluate是在每个batch后得到一个值，而predict是在k个batch后得到的一个均值。
#第五步输出



print("")
print("The test loss is %f" % scores)
result = model.predict(x_test,batch_size=200,verbose=0)

result_max = np.argmax(result, axis = 1)
test_max = np.argmax(y_test, axis = 1)

result_bool = np.equal(result_max, test_max)
true_num = np.sum(result_bool)
print("")
print("The accuracy of the model is %f" % (true_num/len(result_bool)))

先贴上代码。因为mnist里load的网址必须翻墙。所以先在网上下好mnist.npz文件，放在当前.py的同级目录下。就可以运行了！哈哈哈

之后还附上自己瞎写的一个图片一个图片预测的。

import numpy as np
import cv2
import keras
from keras.models import load_model
from keras.optimizers import SGD
from keras.utils.vis_utils import plot_model
path="./mnist.npz"
f=np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
cv2.namedWindow("img")
cv2.imshow("img",x_test[0])
cv2.waitKey(0)
x_train=x_train.reshape(x_train.shape[0],28*28).astype('float32')
x_test=x_test.reshape(x_test.shape[0],28*28).astype('float32')
#x_test[0]=x_test[0].reshape(1,28*28)
y_test=keras.utils.to_categorical(y_test,10)
f.close()
model=load_model('./now_model.h5')
sgd=SGD(lr=0.01,momentum=0.9,decay=1e-9,nesterov=True)#优化函数，参数有学习率，学习衰退率  ,指数1e-9这样写
model.compile(optimizer=sgd,loss='categorical_crossentropy') # 使用交叉熵作为loss函数
#plot_model(model, to_file='model1.png', show_shapes=True)
print("*********")
x=np.array([x_test[0]])#!!!!!!!important!!!!!!!
ans=model.predict(x)
print(ans)
print(y_test[0])
ansmax=np.argmax(ans)
yuanmax=np.argmax(y_test[0])
print(ansmax)
print(yuanmax)