基于简单RNN循环神经网络的数字识别模型

一、RNN的简介

RNN的基本结构是BP神经网络的结构，也具备输入层、隐藏层和输出层。只不过在RNN中，隐藏层的输出不仅可以传到输出层，也可以传到下一时刻是隐藏层，其结构如下

二、模型准备

2.1首先，导入手写数字数据集，此数据集为60000张手写数字，为白底黑字，结果如下：

from tensorflow.keras.datasets import mnist

2.2其次从keras的layers中导入相应的简单的RNN模型和全连接层，以及keras模式中导入顺序结构，标签转化等包：

from keras.utils import np_utils#标签转化
from keras.models import Sequential#顺序结构
from keras.layers import Dense#全连接层
from keras.layers.recurrent import SimpleRNN#循环神经网络
from tensorflow.keras.optimizers import Adam#优化器

2.3设置输入数据大小，以及隐藏层的神经元cell个数：

#数据长度有一行28个像素
input_size=28
#一共28行
time_steps=28
#隐藏层cell个数
cell_size=50

2.4载入手写数字数据，并且归一化，归一化的目的是减少运算量，加快模型的训练：

#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#（60000，28，28）
#归一化
x_train=x_train/255
x_test=x_test/255

2.5对标签进行转化，因为手写数字识别模型最终得到0-9，因此最终结构为10个类，所以转化如下：

#转化标签为one hot
y_train=np_utils.to_categorical(y_train,num_classes=10)
y_test=np_utils.to_categorical(y_test,num_classes=10)

2.6模型的创建，首先创建顺序模型：

model=Sequential()

2.7在创建的顺序模型中加入简单RNN模型，并且设置输入输入输出的平面大小和隐藏神经元个数：

model.add(SimpleRNN(
    units=cell_size,#输出到隐藏层，隐藏层有50个神经元
    input_shape=(time_steps,input_size)#输入
))

2.8定义优化器

#定义优化器
adam=Adam(learning_rate=1e-4)
#定义优化器，loss方选，计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])

2.9训练设置，每次64张图，总共10个周期

#训练模式
model.fit(x_train,y_train,batch_size=64,epochs=10)

2.10模型评估并且保存模型

#模型评估
loss,accuracy=model.evaluate(x_test,y_test)
print('test loss',loss)
print('test accuracy',accuracy)
#保存文件
model.save('model.h5')

三、试验结果