Keras实现手写数字识别

最新推荐文章于 2024-11-23 15:06:09 发布

旧梦如烟

最新推荐文章于 2024-11-23 15:06:09 发布

阅读量730

点赞数

分类专栏：深度学习之Keras

本文链接：https://blog.csdn.net/wang263334857/article/details/88431119

版权

该博客介绍了如何使用Keras库构建一个卷积神经网络（CNN）来识别手写数字。首先，从mnist数据集加载数据并进行预处理，包括reshape和归一化。接着，通过one-hot编码处理标签。然后，搭建CNN模型，包含多个卷积层、最大池化层、Dropout层以及全连接层，并使用ReLU激活函数。模型编译选用'categorical_crossentropy'作为损失函数，'adagrad'作为优化器，并在训练集上训练20个周期。最后，模型在测试集上评估其性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as   np

from  keras.datasets  import mnist

from  keras.models import   Sequential

from  keras.layers   import Conv2D,MaxPooling2D,Dropout,Flatten,Dense

(X_train,y_train),(X_test,y_test) =  mnist.load_data() #加载数据




X_train  = X_train.reshape(X_train.shape[0],28,28,1).astype('float32')
X_test = X_test.reshape(X_test.shape[0],28,28,1).astype('float32')


X_train/= 255   #由于每个像素是介于0~255的  所以除以255

X_test/=255



def tran_y(y):#手动实现one-hot编码
    y_ohe = np.zeros(10)
    y_ohe[y] = 1
    return y_ohe


y_train = np.array([
    tran_y(y_train[tmp]) for tmp in range(len(y_train))  #实现对label的one-hot编码
])


y_test = np.array([

    tran_y(y_test[i]) for i in range(len(y_test))
])



#开始搭建卷积神经网络

model = Sequential()

#添加一层卷积层，构建64个filter

model.add(
    Conv2D(
        filters=64,
        kernel_size=(3,3),
        strides=(1,1),
        padding = 'same',
        input_shape=(28,28

最低0.47元/天解锁文章