从代码案例入门keras1:LeNet对手写数字Mnist分类

 

本系列文章适合有深度学习基础（上过课，看得懂代码，但是想自己上手觉得困难的初学者）

首先上LeNet论文：

===Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. (1998).
Gradient-based Learning applied to document recognition. 
Proceedings of the IEEE, 86(11), 2278–2324.===========

首先我们从导入数据集观察它可以干什么开始

import keras

from keras.datasets import mnist

print(dir(mnist))

结果显示：

然后我们可以看到我们可以操作的几个基本的功能：'absolute_import', 'division', 'get_file', 'load_data', 'np', 'print_function'

这里我们用得着加载数据：load_data

这个函数的返回值如下：

所以为了好操作 ，我们弄四个数组接住这些数值：

(x_train, y_train), (x_test, y_test)=mnist.load_data()

这时候我们得注意这些数据的形态可以导入numpy（np.shape（））查看：

数组名	形态
x_train	(60000, 28, 28)
y_train	(60000, 28, 28)
x_test	(10000, 28, 28)
y_test	(10000,)

60000张训练数据，28*28的图像，0，1表示像素点，把它想成黑像素和白像素（对这个理解不能的同学可以去搜搜mnist可视化的文章这里就不介绍了）

然后我们可以开始写模型了。

网络结构

我们现在的标签是1，2，6，3，5这样的我们需要把它变成onehot模式：

keras有提供好的keras.utils.to_categorical 所以这里就直接用它了，里面有两个参数，一个是导入的label数据，一个是标签的种类总个数。

classNumber=len(set(y_test))
Y_train = keras.utils.to_categorical(y_train,classNumber)
Y_test = keras.utils.to_categorical(y_t