tensorflow2.0+keras+CNN实现mnist（包含自己手写的数据）

最新推荐文章于 2023-04-25 14:43:03 发布

(☆_☆)々@

最新推荐文章于 2023-04-25 14:43:03 发布

阅读量846

点赞数 1

分类专栏：机器学习文章标签： tensorflow 深度学习卷积神经网络

本文链接：https://blog.csdn.net/qq_44242419/article/details/109095672

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

该博客通过导入TensorFlow的Keras库，构建了一个卷积神经网络（CNN）模型，用于识别MNIST数据集的手写数字。首先加载并预处理数据，然后构建模型，包括卷积层、池化层和全连接层，并使用Adam优化器和交叉熵作为损失函数。模型经过训练后，对测试集进行评估，得出准确率。接着，使用自定义的手写数字图片数据集进行评估，展示模型的预测结果，并输出预测准确率。

摘要由CSDN通过智能技术生成

一、导入我们必要的包

import tensorflow.keras as keras
from keras.datasets import mnist
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Dense, Flatten
from keras.models import Sequential

二、加载我们的数据

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

三、对我们的数据进行一个处理

train_images = train_images.reshape(train_images.shape[0], 28, 28, 1)
test_images = test_images.reshape(test_images.shape[0], 28, 28, 1)
train_images = train_images / 255.0
test_images = test_images / 255.0
train_labels = keras.utils.to_categorical(train_labels, 10)
test_labels = keras.utils.to_categorical(test_labels, 10)

四、构建我们的模型

model = Sequential()  #创建一个Sequential模型
# 第一层卷积：6个卷积核, 大小:5*5, 激活函数:relu
model.add(Conv2D(6, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
# 第二层池化：最大池化
model.add(MaxPooling2D(pool_size=(2, 2)))
# 第三层卷积：16个卷积核, 大小: 5*5, 激活函数:relu
model.add(Conv2D(16, kernel_size=(5, 5), activation='relu'))
# 第四层池化：最大池化
model.add(MaxPooling2D(pool_size=(2, 2)))
# 进行扁平化
model.add(Flatten())
# 全连接层一：输出节点为120个
model.add(Dense(120, activation='relu'))
# 全连接层二：输出节点为84个
model.add(Dense(84, activation='relu'))
# 输出层：用softmax激活函数计算分类的概率
model.add(Dense(10, activation='softmax'))  # 最后是10个数字，10个分类

五、设置我们的优化器和定义损失函数

model.compile(optimizer=keras.optimizers.Adam(), loss=keras.metrics.categorical_crossentropy, metrics=['accuracy'])

六、训练我们的模型

model.fit(train_images, train_labels, batch_size=32, epochs=2, verbose=1)

七、对我们的测试集进行评估

loss, accuracy = model.evaluate(test_images, test_labels)
print('损失：', loss)
print('准确率：', accuracy)

八、导入我们自己手写的数据集

这里我们直接用我们处理过的数据。
mnist数据

import cv2
import numpy as np
# 加载处理之后的数据
image = []  # 存放我们读取的数据
# 读取我们处理后的10张图片
for i in range(10):
	deal_image = cv2.imread('deal_datasets/' + str(i) + '.jpg') # 读入我们的数据
	deal_image = cv2.cvtColor(deal_image, cv2.COLOR_BGR2GRAY)  # 转化图像为单通道(灰度图)
	image.append(deal_image)
image = np.array(image)
image_labels = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

九、对我们自己的数据进行处理

image = image.reshape(image.shape[0], 28, 28, 1)
image = image / 255.0
image_labels = keras.utils.to_categorical(image_labels, 10)

十、看看我们自己的数据是否正确

import matplotlib.pyplot as plt
# 展示我们处理之后的图片
plt.figure(figsize=(10, 5))
for i in range(10):
	plt.subplot(2, 5, i+1)
	plt.xticks([])
	plt.yticks([])
	plt.grid(False)
	plt.imshow(image[i], cmap=plt.cm.binary)
	plt.xlabel(image_labels[i])
plt.show()

处理之后的图片

十一、评估我们的数据

test_loss, test_accuracy = model.evaluate(image, image_labels, verbose=1, steps=10)
print('手写数据的准确率为：', test_accuracy)

十二、将我们的测试结果可视化

predictions = model.predict(image) # 将我们的测试数据放入我们的模型预测
# 预测的结果可视化
plt.figure(figsize=(10, 5))
for i in range(10):
	plt.subplot(2, 5, i+1)
	plt.xticks([])
	plt.yticks([])
	plt.grid(False)
	plt.imshow(image[i], cmap=plt.cm.binary)
	plt.xlabel('predict value: ' + str(np.argmax(predictions[i])))
plt.show()