搭建CNN进行MNIST手写数字识别（Tensorflow2.0实现）

本文使用Tensorflow2.0搭建CNN进行MNIST手写数字识别。Tensorflow2.0的使用方法参照Tensroflow官方教程

下面给出具体代码及运行结果：

导入模块和数据集

#导入模块
import tensorflow as tf
#导入数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

数据预处理

数据导入后需要进行预处理才能够输入模型进行训练和预测。

#Reshape
x_train4D = x_train.reshape(x_train.shape[0],28,28,1).astype('float32') 
x_test4D = x_test.reshape(x_test.shape[0],28,28,1).astype('float32') 
#像素标准化
x_train, x_test = x_train4D / 255.0, x_test4D / 255.0

导入的训练集的shape为(60000,28,28)。若是全连接神经网络，需要reshape为(60000,784)；而卷积神经网络因为必须先进行卷积与池化运算，所以必须保持图像的维数。所以reshape转换为(60000,28,28,1)，即60000张图像，每一张为28(宽)*28(高)*1(单色)。

模型搭建

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(filters=16, kernel_size=(5,5), padding='same',
                 input_shape=(28,28,1),  activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(filters=36, kernel_size=(5,5), padding='same', 
    			 activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Dropout(0.25),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(10,activation='softmax')
])

#打印模型
print(model.summary())

我们搭建了一个由两个卷积和池化层以及全连接层输出的小型CNN模型。其中，通过添加Dropout层避免过拟合，提高模型的泛化能力。最后，使用print将模型打印出来，如下图，可以清晰直观的看出模型的结构，且显示出该模型共有242062个参数。

训练模型

#训练配置
model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam', metrics=['accuracy']) 
#开始训练
model.fit(x=x_train, y=y_train, validation_split=0.2, 
                        epochs=20, batch_size=300, verbose=2) 

在训练配置中，我们使用’sparse_categorical_crossentropy’损失函数，使用’adam’优化器，以及’accuracy’(准确率)作为评估标准。之后我们将训练集和训练标签传给模型，并从中抽取80%作为训练样本，其余20%进行验证，进行20个训练周期，batch size为300的批训练。
“verbose=2”：显示训练过程。

训练结果过程及结果如下：
经过训练后，模型的准确率达到99.22%
对于复杂的问题，可以通过加深网络及调整模型超参数来进一步提高准确率。