tensorflow开发之 基于CNN的手写数字识别（含源码）

点击查看 (人工智能) 系列文章

---

训练过程

1. 数据准备

2. 创建模型

3. 模型解析

从输出结果可以看到各层的基本信息：

• 第一层输入是28x28的图像，基于3x3的卷积核，没有滑动，因此得到26x26的输出，32是核数
• 第二层输入来自第一层的输出，因此输入为26x26，64为第二层的卷积核数量
• 第五层只是将第四层的数据摊平成一维向量，因此不需要进行参数训练
• 第六层将上一层的9216个神经元减小到128个神经元，需要训练的模型参数最大，有1179776个，差不多120万个参数
• 第八层类似第六层，有1290个参数需要训练
• 最后统计结果看到，一共有1199882个参数，都需要训练

4. 模型编译训练

5. 结果分析

从结果可以看出，基于CNN的训练比单纯的Softmax的分类预测准确率更高，可以从更高层次进行抽象和特征提取，从文章（基于softmax的手写数字识别）中可以看到只是softmax进行像素级别的提取，准确率不到98%。

源码

# 数据读取
from keras.datasets import mnist

(imgTrain, labelTrain),(imgTest, labelTest) = mnist.load_data('mnist.npz')

# 数据处理
from keras import backend as K

trainCount, testCount = imgTrain.shape[0], imgTest.shape[0]
imgRow, imgCol =