DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional或Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测

已于 2024-01-11 01:10:04 修改
阅读量9k 收藏 18
点赞数 7
分类专栏： DL/R Keras/Caffe 文章标签： 算法 cnn keras
于 2019-07-29 16:23:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41185868/article/details/97650612
版权
DL/R 同时被 2 个专栏收录
397 篇文章 66 订阅
订阅专栏
Keras/Caffe
28 篇文章 10 订阅
订阅专栏

DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional或Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测

目录

利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测

输出结果

设计思路

核心代码

利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测

输出结果

设计思路

核心代码

利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测

输出结果

下边两张图对应查看，可知，数字0有965个是被准确识别到！

1.10.0
Size of:
- Training-set:		55000
- Validation-set:	5000
- Test-set:		10000
Epoch 1/1

  128/55000 [..............................] - ETA: 14:24 - loss: 2.3439 - acc: 0.0938
  256/55000 [..............................] - ETA: 14:05 - loss: 2.2695 - acc: 0.1016
  384/55000 [..............................] - ETA: 13:20 - loss: 2.2176 - acc: 0.1302
  512/55000 [..............................] - ETA: 13:30 - loss: 2.1608 - acc: 0.2109
  640/55000 [..............................] - ETA: 13:29 - loss: 2.0849 - acc: 0.2500
  768/55000 [..............................] - ETA: 13:23 - loss: 2.0309 - acc: 0.2734
  896/55000 [..............................] - ETA: 13:30 - loss: 1.9793 - acc: 0.2946
 1024/55000 [..............................] - ETA: 13:23 - loss: 1.9105 - acc: 0.3369
 1152/55000 [..............................] - ETA: 13:22 - loss: 1.8257 - acc: 0.3776
……
53760/55000 [============================>.] - ETA: 18s - loss: 0.2106 - acc: 0.9329
53888/55000 [============================>.] - ETA: 16s - loss: 0.2103 - acc: 0.9330
54016/55000 [============================>.] - ETA: 14s - loss: 0.2100 - acc: 0.9331
54144/55000 [============================>.] - ETA: 13s - loss: 0.2096 - acc: 0.9333
54272/55000 [============================>.] - ETA: 11s - loss: 0.2092 - acc: 0.9334
54400/55000 [============================>.] - ETA: 9s - loss: 0.2089 - acc: 0.9335 
54528/55000 [============================>.] - ETA: 7s - loss: 0.2086 - acc: 0.9336
54656/55000 [============================>.] - ETA: 5s - loss: 0.2082 - acc: 0.9337
54784/55000 [============================>.] - ETA: 3s - loss: 0.2083 - acc: 0.9337
54912/55000 [============================>.] - ETA: 1s - loss: 0.2082 - acc: 0.9337
55000/55000 [==============================] - 837s 15ms/step - loss: 0.2080 - acc: 0.9338

   32/10000 [..............................] - ETA: 21s
  160/10000 [..............................] - ETA: 8s 
  288/10000 [..............................] - ETA: 6s
  448/10000 [>.............................] - ETA: 5s
  576/10000 [>.............................] - ETA: 5s
  736/10000 [=>............................] - ETA: 4s
  864/10000 [=>............................] - ETA: 4s
 1024/10000 [==>...........................] - ETA: 4s
 1152/10000 [==>...........................] - ETA: 4s
 1312/10000 [==>...........................] - ETA: 4s
 1440/10000 [===>..........................] - ETA: 4s
 1600/10000 [===>..........................] - ETA: 3s
 1728/10000 [====>.........................] - ETA: 3s
……
 3008/10000 [========>.....................] - ETA: 3s
 3168/10000 [========>.....................] - ETA: 3s
 3296/10000 [========>.....................] - ETA: 3s
 3456/10000 [=========>....................] - ETA: 2s
……
 5248/10000 [==============>...............] - ETA: 2s
 5376/10000 [===============>..............] - ETA: 2s
 5536/10000 [===============>..............] - ETA: 2s
 5664/10000 [===============>..............] - ETA: 1s
 5792/10000 [================>.............] - ETA: 1s
……
 7360/10000 [=====================>........] - ETA: 1s
 7488/10000 [=====================>........] - ETA: 1s
 7648/10000 [=====================>........] - ETA: 1s
 7776/10000 [======================>.......] - ETA: 1s
 7936/10000 [======================>.......] - ETA: 0s
 8064/10000 [=======================>......] - ETA: 0s
 8224/10000 [=======================>......] - ETA: 0s
……
 9760/10000 [============================>.] - ETA: 0s
 9920/10000 [============================>.] - ETA: 0s
10000/10000 [==============================] - 4s 449us/step
loss 0.05686537345089018
acc 0.982
acc: 98.20%
[[ 965    0    4    0    0    0    4    1    2    4]
 [   0 1128    3    0    0    0    0    1    3    0]
 [   0    0 1028    0    0    0    0    1    3    0]
 [   0    0   10  991    0    2    0    2    3    2]
 [   0    0    3    0  967    0    1    1    1    9]
 [   2    0    1    7    1  863    5    1    4    8]
 [   2    3    0    0    3    2  946    0    2    0]
 [   0    1   17    1    1    0    0  987    2   19]
 [   2    0    9    2    0    1    0    1  955    4]
 [   1    4    3    2    8    0    0    0    1  990]]


_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 784)               0         
_________________________________________________________________
reshape (Reshape)            (None, 28, 28, 1)         0         
_________________________________________________________________
layer_conv1 (Conv2D)         (None, 28, 28, 16)        416       
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 14, 14, 16)        0         
_________________________________________________________________
layer_conv2 (Conv2D)         (None, 14, 14, 36)        14436     
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 7, 7, 36)          0         
_________________________________________________________________
flatten (Flatten)            (None, 1764)              0         
_________________________________________________________________
dense (Dense)                (None, 128)               225920    
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
=================================================================
Total params: 242,062
Trainable params: 242,062
Non-trainable params: 0
_________________________________________________________________
(5, 5, 1, 16)
(1, 28, 28, 16)

设计思路

核心代码

后期更新……

path_model = 'Functional_model.keras'  
                  
from tensorflow.python.keras.models import load_model  
model2_1 = load_model(path_model)      

model_weights_path = 'Functional_model_weights.keras'
model2_1.save_weights(model_weights_path )                  
model2_1.load_weights(model_weights_path, by_name=True ) 
model2_1.load_weights(model_weights_path)  


result = model.evaluate(x=data.x_test,
                        y=data.y_test)
  
for name, value in zip(model.metrics_names, result):
    print(name, value)
print("{0}: {1:.2%}".format(model.metrics_names[1], result[1]))


y_pred = model.predict(x=data.x_test) 
cls_pred = np.argmax(y_pred, axis=1)   
plot_example_errors(cls_pred)        
plot_confusion_matrix(cls_pred)     
 
 

images = data.x_test[0:9]                      
cls_true = data.y_test_cls[0:9]                 
y_pred = model.predict(x=images)               
cls_pred = np.argmax(y_pred, axis=1)            
title = 'MNIST(Sequential Model): plot predicted example, resl VS predict'
plot_images(title, images=images,               
            cls_true=cls_true,
            cls_pred=cls_pred)

利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测

输出结果

1.10.0
Size of:
- Training-set:		55000
- Validation-set:	5000
- Test-set:		10000
Epoch 1/1
  128/55000 [..............................] - ETA: 15:39 - loss: 2.3021 - acc: 0.0703
  256/55000 [..............................] - ETA: 13:40 - loss: 2.2876 - acc: 0.1172
  384/55000 [..............................] - ETA: 14:24 - loss: 2.2780 - acc: 0.1328
  512/55000 [..............................] - ETA: 13:57 - loss: 2.2613 - acc: 0.1719
  640/55000 [..............................] - ETA: 13:57 - loss: 2.2414 - acc: 0.1828
  768/55000 [..............................] - ETA: 13:58 - loss: 2.2207 - acc: 0.2135
  896/55000 [..............................] - ETA: 14:01 - loss: 2.1926 - acc: 0.2467
 1024/55000 [..............................] - ETA: 13:34 - loss: 2.1645 - acc: 0.2725
 1152/55000 [..............................] - ETA: 13:38 - loss: 2.1341 - acc: 0.2969
 1280/55000 [..............................] - ETA: 13:40 - loss: 2.0999 - acc: 0.3273
 1408/55000 [..............................] - ETA: 13:37 - loss: 2.0555 - acc: 0.3629
……
54016/55000 [============================>.] - ETA: 15s - loss: 0.2200 - acc: 0.9350
54144/55000 [============================>.] - ETA: 13s - loss: 0.2198 - acc: 0.9350
54272/55000 [============================>.] - ETA: 11s - loss: 0.2194 - acc: 0.9351
54400/55000 [============================>.] - ETA: 9s - loss: 0.2191 - acc: 0.9352 
54528/55000 [============================>.] - ETA: 7s - loss: 0.2189 - acc: 0.9352
54656/55000 [============================>.] - ETA: 5s - loss: 0.2185 - acc: 0.9354
54784/55000 [============================>.] - ETA: 3s - loss: 0.2182 - acc: 0.9354
54912/55000 [============================>.] - ETA: 1s - loss: 0.2180 - acc: 0.9355
55000/55000 [==============================] - 863s 16ms/step - loss: 0.2177 - acc: 0.9356

   32/10000 [..............................] - ETA: 22s
  160/10000 [..............................] - ETA: 8s 
  288/10000 [..............................] - ETA: 6s
  416/10000 [>.............................] - ETA: 5s
  544/10000 [>.............................] - ETA: 5s
  672/10000 [=>............................] - ETA: 5s
  800/10000 [=>............................] - ETA: 5s
  928/10000 [=>............................] - ETA: 4s
 1056/10000 [==>...........................] - ETA: 4s
 1184/10000 [==>...........................] - ETA: 4s
 1312/10000 [==>...........................] - ETA: 4s
 1440/10000 [===>..........................] - ETA: 4s
……
 9088/10000 [==========================>...] - ETA: 0s
 9216/10000 [==========================>...] - ETA: 0s
 9344/10000 [===========================>..] - ETA: 0s
 9472/10000 [===========================>..] - ETA: 0s
 9600/10000 [===========================>..] - ETA: 0s
 9728/10000 [============================>.] - ETA: 0s
 9856/10000 [============================>.] - ETA: 0s
 9984/10000 [============================>.] - ETA: 0s
10000/10000 [==============================] - 5s 489us/step
loss 0.060937872195523234
acc 0.9803
acc: 98.03%
[[ 963    0    0    1    1    0    4    1    4    6]
 [   0 1128    0    2    0    1    2    0    2    0]
 [   2    9 1006    1    1    0    0    3   10    0]
 [   1    0    2  995    0    3    0    5    2    2]
 [   0    1    0    0  977    0    0    1    0    3]
 [   2    0    0    7    0  874    3    1    1    4]
 [   2    3    0    0    6    1  943    0    3    0]
 [   0    5    7    3    1    1    0  990    1   20]
 [   4    1    3    3    2    1    7    2  944    7]
 [   4    6    0    4    9    1    0    1    1  983]]

设计思路

后期更新……

核心代码

后期更新……

result = model.evaluate(x=data.x_test,
                        y=data.y_test)
  
for name, value in zip(model.metrics_names, result):
    print(name, value)
print("{0}: {1:.2%}".format(model.metrics_names[1], result[1]))


y_pred = model.predict(x=data.x_test) 
cls_pred = np.argmax(y_pred, axis=1)   
plot_example_errors(cls_pred)        
plot_confusion_matrix(cls_pred)     
 
 

images = data.x_test[0:9]                      
cls_true = data.y_test_cls[0:9]                 
y_pred = model.predict(x=images)               
cls_pred = np.argmax(y_pred, axis=1)            
title = 'MNIST(Sequential Model): plot predicted example, resl VS predict'
plot_images(title, images=images,               
            cls_true=cls_true,
            cls_pred=cls_pred)

一个处女座的程序猿
关注
专栏目录
模式分类识别 | CNN卷积神经网络多特征分类预测（Matlab完整程序）
前程算法屋的博客
11-15 387
模式分类识别 | CNN卷积神经网络多特征分类预测（Matlab完整程序）
Keras 框架实现卷积神经网络mnist手写数字识别(Keras实现mnist手写数字识别)
最新发布
AI天才研究院
09-27 949
随着深度学习的火热，人们越来越多地选择使用CNN作为机器学习模型，在图像识别、自然语言处理、文本分析等领域取得了不错的效果。Keras是一个支持多种深度学习框架（TensorFlow、Theano、CNTK）的开源项目，它提供了简洁、可靠且高效的构建、训练和部署模型的能力。因此，熟悉Keras的结构及其组件特性对于掌握深度学习模型结构以及构建相关模型十分重要。本文通过结合Keras的实现过程，详细介绍了卷积神经网络MNIST手写数字识别的过程。
深入MNIST，手写数字，加cnn
qq_33805714的博客
06-07 75
from __future__ import print_function import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # number 1 to 10 data mnist = input_data.read_data_sets('MNIST_data', one_hot=T...
利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类.py
03-18
利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('mnist_data',one_hot=True) #（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从https://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。 #（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001]. #定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。 #None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。 input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255 output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别 #输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量 input_x_images = tf.reshape(input_x,[-1,28,28,1]) test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片 test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签
深度学习——经典案例（MNIST数据集）
gy的博客
08-01 932
以前一直纠结数据处理的部分，究竟数据集要处理成什么样子才能被卷积，害~现在看来是我多虑，把它看复杂了……如果又小伙伴有同样的困惑，可以留言。 代码：有注释，应该容易看懂 import torch import torch.nn as nn # pytorch提供设计的模块和类 import torch.nn.functional as F # 对几个输入平面组成的输入信号应用1D卷积。 import torch.optim as optim # 实现了各种优化算法的库 from torchvision
【深度学习实战—1】：基于Keras的手写数字识别（非常详细、代码开源）
王乐予的博客
11-19 1万+
  本来想着多更新一些关于深度学习的文章，但这方面知识专业度很高，如果作者本身都掌握不好，又怎么能写出好文章分享呢？   距离第一篇关于深度学习的文章：深度学习笔记1——激活函数，已经过去了9个多月，在沉淀了9个月后，这次写出了第二篇关于深度学习的文章，而且出于快速上手代码编写的目的，这次直接进行手写数字识别的实战，且看下文： 一、准备工作 设备\库 型号\版本 显卡 GTX1650 驱动程序版本 457.49 tensorflow-gpu版本 2.4.0 keras版本 2.4
CNN卷积神经网络实现Mnist手写数字识别数据集.zip
03-07
这个压缩包“CNN卷积神经网络实现Mnist手写数字识别数据集.zip”显然包含了实现CNN模型以识别MNIST数据集的手写数字的代码和资源。 CNN的核心特点包括卷积层、池化层、激活函数和全连接层等。这些组件协同工作，...
机器学习第一周：用卷积神经网络实现Mnist手写数字识别（付基础知识解释）
BingxxXXxx的博客
03-21 3296
MNIST 数据集是一个手写数字识别数据集，包含了 60000 张训练图像和 10000 张测试图像，每张图像都是 28x28 像素的灰度图像。在这个代码中，我们使用了 Keras 中的 Sequential 类来定义模型，并通过 model.add() 方法向其中添加各种层。Sequential 类是 Keras 中的一种模型类型，可以用来构建序列模型。序列模型是一个线性的层次结构，可以通过将神经网络层按顺序堆叠来构建。在这个代码中，我们首先添加了一个卷积层，然后是一个最大池化层，
Python大作业-基于卷积神经网络的手写数字识别系统源码.zip
11-23
在本项目中，我们将深入探讨一个使用Python编程语言构建的手写数字识别系统，该系统基于卷积神经网络（CNN）。这个“Python大作业”旨在帮助学习者理解和实践深度学习技术，特别是CNN在图像识别任务中的应用。让我们...
基于卷积神经网络CNN识别mnist手写数字集
weixin_43873671的博客
01-30 1806
提示：之前已经有了基于全连接层的神经网络识别mnist手写数字集，但是识别率较低，这是必然的，这就体现出来了卷积神经网络CNN的优势所在：说其它的都是虚的，最大的优点就是效果好，分类正确率高。即使训练回合少一些，识别率依旧居高不下。 但是缺点也很明显：需要调参，需要大数据量，需要大计算量 基于CNN的识别mnist手写数字集前言一、卷积神经网络是什么？二、使用步骤1.引入库2.加载数据集3.# 搭建LeNet网络（1）LeNet-5网络（2）搭建过程4.加载数据集总结 前言 提示：21世纪开始，卷积神经
手写数字识别MNIST数据集及卷积神经网络代码（含注释）
04-09
手写数字识别MNIST数据集，内含t10k-images-idx3-ubyte.gz等四个压缩文件以及卷积神经网络识别代码。
【深度学习】实验15 使用CNN完成MNIST手写体识别(Keras)
兔子王
09-26 610
使用Keras中的CNN完成MNIST手写体识别。
DL —— 卷积神经网络（convolutional neural networks，CNN）
biubiusion的博客
03-27 1044
卷积神经网络是深度学习最核心的部分； 最早用于美国银行系统识别手写支票； 卷积神经网络 一、训练数据 因为卷积神经网络是为了解决图像领域的应用而提出的网络结构，所以训练数据一般为视频图像数据（张量数据，tensor）；可以根据图像的性质对CNN的结构进行设计，使得CNN相比一般的神经网络结构更加高效、性能更好。 其中： X（i）是第i张图像； H * W * D是每个图像的尺寸； D表示整个训练...
分类预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)多特征分类预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
08-07 8710
分类预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)多特征分类预测
keras实现mnist手写数字识别
niannianxi的博客
11-15 2404
卷积神经网络实现 这个代码的话是跟着B站博主敲得 里面也解析了代码 想深入了解的可以看看 链接地址 一. 实验目的 利用keras的深度学习框架，分类mnist手写数字识别数据集 二. 实验内容 1.获得mnist数据，并将mnist数据处理成合适的格式; 2.构建神经网络模型: 3.配置训练参数； 4.训练网络； 5.测试训练好的网络模型 三.概要设计 1.实验原理 ①获得mnist数据，并将数据处理成合适的格式: 首先查看数据集是怎样的，让图片由二维铺开成一维，相当于将图片从二维矩阵（28*28）到78
Tensorflow学习笔记：传统NN和CNN来分类MNIST手写数字数据集
AkashiLi的博客
07-06 497
在本文中，我将传统神经网络定义为非 CNN 神经网络。 在这里，我们将使用图像的 MNIST 手写数字数据集，并根据图像中的数字对这些图像进行分类。 这个数据集可以被认为是计算机视觉的“Hello World”。 我们来了解一下Dense神经网络和卷积神经网络CNN的区别......
keras实现mnist数据集手写数字识别
热门推荐
陈正经
07-16 2万+
经过几天的爬坑，“东搞西搞”终于把深度学习的“HELLO,WORLD”做出来了，以下是自己的实战过程： 关于keras识别手写数字的入门准备： 1.Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。所以在安装keras的前面，要先搭建tensorflow环境和安装https://www.tensorflow.org/i...
机器学习实战 | MNIST手写数字分类项目（深度学习初级）
lovetaozibaby的博客
07-10 2217
准备写个系列博客介绍机器学习实战中的部分公开项目。首先从初级项目开始。本文为初级项目第二篇：利用MNIST数据集训练手写数字分类。。机器学习实战 | emojify 使用Python创建自己的表情符号（深度学习初级）
基于Keras的mnist手写数字识别
上善若水，为而不争
05-26 1078
首先，在众多深度学习框架中，我最开始上手的框架(因为那时候先接触的caffe，配置使用都太麻烦了)是Keras，什么叫做搞什么深度学习，我不过是搭积木罢了，这句话真的太适合形容Keras了。Keras是一个高级的深度学习框架，是架设于tensorflow、Theano、CNTK三大深度学习框架之上的，可以设置切换后台为其中之一，不过目前比较多的应该是用tensorflow作为后台，tensorfl...
Keras实现MNIST手写数字识别的卷积网络代码
资源摘要信息: "mnist.zip_MNIST_keras_mnist实现_卷积网络识别MNIST代码_数字识别" 知识点详细说明： 1. MNIST数据集介绍： MNIST（Modified National Institute of Standards and Technology database）是一个...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

一个处女座的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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