Keras搭建CNN（手写数字识别Mnist）

MNIST数据集是手写数字识别通用的数据集，其中的数据是以二进制的形式保存的，每个数字是由28*28的矩阵表示的。
我们使用卷积神经网络对这些手写数字进行识别，步骤大致为：

1. 导入库和模块
   我们导入Sequential模型（相当于放积木的桌子）

   from keras.models import Sequential
   

   接下来，导入各种层（相当于形状各异的积木）

   from keras.layers import Conv2D, MaxPool2D
   from keras.layers import Dense, Flatten
   

2. 加载数据集
   Mnist数据集可以使用keras直接加载。

   from keras.datasets import mnist
   (X_train, y_train), (X_test, y_test) = mnist.load_data()
   

   查看数据集大小

   print(X_train.shape)
   
   #(60000, 28, 28)
   

   可以看出有60000个样本，每个样本是28*28像素的。

3. 数据预处理
   使用Keras是必须显式声明输入图像深度的尺寸。例如，具有所有3个RGB通道的全色图像的深度为3。

   我们的MNIST图像的深度为1，但我们必须明确声明。

   也就是说，我们希望将数据集从形状(n,rows,cols)转换为(n,rows,cols,channels)。

   img_x, img_y = X_train.shape[1], X_train.shape[2]
   X_train = X_train.reshape(X_train.shape[0], img_x, img_y, 1)
   X_test = X_test.reshape(X_test.shape[0], img_x, img_y, 1)
   

   除此之外，我们将数据标准化一下：

   X_train = X_train.astype('float32')
   X_test = X_test.astype('float32')
   X_train /= 255
   X_test /= 255
   
   y_train = keras.utils.to_categorical(y_train, num_classes=10)
   y_test = keras.utils.to_categorical(y_test, num_classes=10)
   

4. 构建网络

   model = Sequential()
   model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))
   model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
   model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))
   model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
   model.add(Flatten())
   model.add(Dense(1000, activation='relu'))
   model.add(Dense(10, activation='softmax'))
   

6. 编译
现在，只需要编译模型，就可以开始训练了。当编译模型时，我们声明了损失函数和优化器（SGD，Adam等）。
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

7. 训练
   接下来，我们传入训练集进行训练

   model.fit(X_train, y_train, batch_size=128, epochs=10)
   

8. 评估模型
   最后，传入测试集对模型模型进行评估

   score = model.evaluate(X_test, y_test)
   print('acc', score[1])
   
   # acc 0.9927
   

   准确率达到99%以上。

完整代码如下：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten
import keras
from keras.datasets import mnist

#加载数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()
img_x, img_y = X_train.shape[1], X_train.shape[2]

#数据预处理
X_train = X_train.reshape(X_train.shape[0], img_x, img_y, 1)
X_test = X_test.reshape(X_test.shape[0], img_x, img_y, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)

#构建模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(10, activation='softmax'))

#模型编译
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

#训练
model.fit(X_train, y_train, batch_size=128, epochs=10)

#评估模型
score = model.evaluate(X_test, y_test)
print('acc', score[1])

原文地址：https://zhuanlan.zhihu.com/p/53790130
非常好一篇keras入门文章（有很多例子）：https://xiaosheng.me/2017/07/04/article77/