【一起入坑AI】手把手 教你用keras实现经典入门案例---手写数字识别

前言

本文分三部分：1、文字讲解 2、代码与结果 3、推荐b站一位up主视频讲解
（默认有一点python基础）该项目虽然相对简单，但是所有深度学习实现过程都大体可以分为文中几步，只不过是网络更复杂，实现的内容更大

实现步骤如下

一、文字讲解

1、加载数据
mnist.load_data()读取出数据存在变量中，它返回两个值，所以加括号
对读出的四个变量进行reshape，astype
归一化操作

2、搭建神经网络
输入层（第0层）不需要自己用add添加，会自动默认创建，写个input_shape即会自动创建
隐藏层默认用relu函数，因为sigmoid函数与tanh函数图像会在输入很大时，表现十分平缓，这样梯度就下降不了，也称之为梯度弥散

二分类与多分类问题（输出层）常用sigmoid函数或者softmax函数，其中softmax得出的是概率

3、神经网络训练
编译（compile）：确定优化函数、损失函数、评估函数（metric）
训练（fit）：epochs表示训练多少轮，batch_size表示每轮给多大的数据，validation_data=(test_image, test_labels)表示测试集
summary：显示训练每步的epochs与batch_size（即可视化）

4、预测predict与评估evaluate（看训练出的模型对未知数据的预测情况）
用训练出的模型预测少量测试集中图片结果看是否正确，比较预测值（用softmax会出现概率）与真实值（test_label），并且评估基于全部测试集的准确率与损失，evaluate(test_image,test_label)会返回val_loss、val_accuracy

绘图看结果是否符合预期，其中可以利用history对象快速绘图，history字典类型，包含val_loss,val_acc,loss,acc四个key值，分别可以得到测试集与训练集损失和准确率。

5、优化，如正确率不是特别高的情况下，可以增加隐藏层神经元个数，但要保证不要因为神经网络太复杂而出现过拟合。
如过拟合现象可以用正则化，其中l2范数效果一般比l1好（最常用kernel_regularizer =regularizers.l2(0.001) ,过拟合程度轻微，参数就用小一点），参数初始化，DropOut

最佳结果是，训练集的准确率收敛于测试集的准确率，即若训练集的准确率为96%，测试集为95%，则表示出现轻微过拟合，若训练集为96.1%，测试集为96.7%，则表示效果非常好，因为这样就是训练集收敛于测试集，可以想象一个数轴，无限接近某个数但不能超过，超过就过拟合了。

二、代码与结果

from keras.utils import to_categorical
from keras import layers, models, regularizers,initializers
from keras.optimizers import RMSprop, Adam
from keras.datasets import mnist
import matplotlib.pyplot as plt
import numpy as np

################################################### 1、load and deal
# 加载数据集(训练集中有60000张图片，测试集中有10000张图片，图片大小28×28,即28*28的矩阵),第一次加载会自动下载mnist数据集
(train_image, train_labels), (test_image, test_labels) = mnist.load_data()
print(train_image.shape, test_image.shape)
print(train_labels.shape, test_labels.shape)

# 处理数据集
train_image = train_image.reshape(-1, train_image.shape[1] * train_image.shape[2])
test_image = test_image.reshape(-1, test_image.shape[1] * test_image.shape[2])
train_labels = to_categorical(train_labels)  # one_hot变成向量，即一维数组
test_labels = to_categorical(test_labels)

# 归一化
train_image = train_image / 255
test_image = test_image / 255
#################################################### 2、build Neural Network

# 搭建神经网络(3层--0,1,2)
model = models.Sequential()
model.add(layers.Dense(units=100, activation="relu", input_shape=(28 * 28,), kernel_regularizer=regularizers.l2(0.01),
                       kernel_initializer=initializers.truncated_normal(mean=0.0, stddev=0.05, seed=None)))
model.add(layers.Dense(units=50, activation="relu", kernel_regularizer=regularizers.l2(0.01),
                       kernel_initializer=initializers.truncated_normal(mean=0.0, stddev=0.05, seed=None)))
model.add(layers.Dense(units=10, activation="softmax"))
#################################################3、build model and train

# 编译模型
Learning_Rate = 0.001
EPOCHS = 25
model.summary()
model.compile(optimizer=Adam(lr=Learning_Rate), loss="categorical_crossentropy",  metrics["accuracy"])

# 训练
H = model.fit(train_image, train_labels, validation_data=(test_image, test_labels), epochs=EPOCHS, batch_size=150, verbose=2)
################################################## 4、predict and evaluate
# 预测
y_pre = model.predict(train_image[:3])
print("预测值： ", y_pre, "\n真实值：", train_labels[:3])
############################################################### 5、draw
# 绘制图像比较结果
N = np.arange(0, EPOCHS)  # 得到一个0,1,2,..,EPOCHS的数组
plt.figure()  # 新建画布
plt.plot(N, H.history["loss"], label="train_loss")	# 通过key值获取loss
plt.plot(N, H.history["val_loss"], label="test_loss")
plt.plot(N, H.history["accuracy"], label="train_acc")
plt.plot(N, H.history["val_accuracy"], label="test_acc")
plt.title("Training loss and accuracy")
plt.xlabel("EPOCH")
plt.ylabel("loss/accuracy")
plt.legend()
plt.show()

Run 后的结果

三、b站up主视频讲解

地址： https://b23.tv/BV16g4y1z7Qu