5.0 使用Sequential模型实现手写数字的识别

1.keras的minist中有6万条训练集以及1万条测试集。其中每条都是28x28的手写数字。下图所示。可以使用如下的神经元结构进行训练识别。

Sequential模型，使用时的步骤如下：

a.建立模型：

Model = tf.keras.Sequential()

model.add()

b.查看摘要 model.summary()

c.配置训练方法;model.complile()

d.训练模型：model.fit()

e.使用模型：model.predict.

2.代码

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

mist = tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y)=mist.load_data()

X_train=tf.cast(train_x/255.0,tf.float32)
X_test = tf.cast(test_x/255.0, tf.float32)
y_train =tf.cast(train_y,tf.int16)
y_test = tf.cast(test_y,tf.int16)

#1.建立模型
model=tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))
#2.查看
model.summary()
#3.配置训练方法
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',
              metrics=['sparse_categorical_accuracy'])
#4.训练
model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)
#评估
model.evaluate(X_test,y_test,verbose=2)

#5.应用
y_pred = np.argmax(model.predict(X_test[0:4]),axis=1)
for i in range(4):
    plt.subplot(1,4,i+1)
    plt.axis('off')
    plt.imshow(test_x[i],cmap='gray')
    plt.title("y="+str(test_y[i])+"\n y_pred:"+str(y_pred[i]))
plt.show()

summary输出的内容如下：显示有101770个参数。

3.如果需要保存所有模型以及参数。

可以使用model.save来保存模型以及参数。比如
model.save("testmodel.h5")

使用时如下文所示，这样就不需要搭建模型以及训练了。

model = tf.keras.models.load_model("testmodel.h5")

【备注】

Metrics可选：

        'acuracy'， 则y_和y都是数值，y_=[1], y=1

        'categorical_accuracy':则y_和y都是独热码（概率分布），y_=[0,1,0]之类

        'sparse_categorical_accuracy'：则y_是数值（标准），y都是独热码（概率分布）-计算结果

【附录2】解决keras.datasets 在loaddata时,无法下载的问题

或者将下载好的imdb.npz文件放在主目录下的 .keras/datasets文件夹下

C:\Users\Administrator\.keras\datasets