CNN应用于手写数字识别

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
# Convolution2D 2维的卷积，MaxPooling2D 2维的最大池化， Flatten 把数据扁平化，
# 把2维的数据扁平化为1维的数据
from keras.layers import Dense, Dropout, Convolution2D, MaxPooling2D, Flatten
from keras.optimizers import Adam
# 载入数据
(x_train, y_train),(x_test, y_test) = mnist.load_data()
# (60000,28,28)->(60000,28,28,1),转成4维，最后一维为深度，黑白为1，彩色为3
x_train = x_train.reshape(-1, 28, 28, 1)/255.0  # -1会自动的匹配，归一化（0-1之间）
x_test = x_test.reshape(-1, 28, 28, 1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)

# 定义顺序模型
model = Sequential()

# 第一个卷积层
# input_shape 输入平面
# filters 卷积核/滤波器个数
# kernel_size 卷积窗口大小
# strides 步长
# padding padding方式 same/valid
# activation 激活函数
model.add(Convolution2D(
    input_shape=(28, 28, 1),  # 只需要在第一个位置设置输入平面
    filters=32,  # 32个不同的特征图
    kernel_size=5,
    strides=1,
    padding='same',
    activation='relu',
))
# 第一个池化层
model.add(MaxPooling2D(
    pool_size=2,  # 池化窗口
    strides=2,
    padding='same',  # 做完卷积之后还是28×28
))
# 变成32个14×14
# 第二个卷积层
# filters 卷积核/滤波器个数 64， kernel_size 卷积窗口大小 5
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 第二个池化层
model.add(MaxPooling2D(2, 2, 'same'))
# 变成64个7×7
# 把第二个池化层的输出扁平化为1维64×7×7
model.add(Flatten())
# 第一个全连接层
model.add(Dense(1024, activation='relu'))
# Dropout 50%的神经元是工作的
model.add(Dropout(0.5))
# 第二个全连接层
model.add(Dense(10, activation='softmax'))
# 定义优化器
adam = Adam(lr=1e-4)

# 定义优化器,loss function,训练过程中计算准确率
model.compile(optimizer=adam, loss='categorical_crossentropy',metrics=['accuracy'])

# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=10)

# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)

print('test loss', loss)
print('test accuracy', accuracy)