莫凡的python_莫凡Python之keras 2

莫凡Python 2

kearsregressionpython

Classifier 分类

使用 mnist 数据集，这是0-9的图片数据，我们使用神经网络去识别这些图片。显示图片上的数据

本质上是使用神经网络去分类。

参考资料

数据预处理、熟悉数据

# -*- coding: utf-8 -*-

""" Classifier 分类 """

from keras.datasets import mnist

import os

os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘

import numpy as np

from keras.models import Sequential

from keras.layers import Dense

import matplotlib.pyplot as plt

# %% 数据处理、感受数据

(X_train, Y_train), (X_test, Y_test) = mnist.load_data()

for num in range(50):

plt.imshow(X_train[num,:,:],cmap=‘Greys_r‘)

plt.axis(‘off‘)

plt.show()

图片显示

既然是图片数据集，我们可以通过显示图片来直接的了解这个数据集

X_train 是600002828 的矩阵，是一个灰度图像矩阵，6000张图片，图片大小为28*28

Y_trian 是 60000*1 的一维数组

数字5

数字9

数字3

关键

reshape（）的使用

参考博客

数据处理

将图片数据变为 6000*784 的矩阵，也就是新矩阵的一行代表一幅图片 使用 reshape

将标签数据化为 one_hot 使用函数 np_utils.to_categorical

参考博客

模型搭建

导入的包

""" Classifier 分类 """

from keras.datasets import mnist

import os

os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘

import numpy as np

np.random.seed(1337) # for reproducibility

from keras.models import Sequential

from keras.layers import Dense, Activation

import matplotlib.pyplot as plt

from keras.utils import np_utils

from keras.optimizers import RMSprop

建立模型

model = Sequential(

[

Dense(32, input_dim = 784 ),

Activation(‘relu‘),

Dense(10),

Activation(‘softmax‘)

]

)

rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)

注意

Activation(‘softmax’) 其中softmax多用于分类问题，在是输出层中使用，输出一个类别的可能概率矩阵

RMSprop函数中：

lr 为学习率

编译模型

model.compile(optimizer=rmsprop,loss=‘categorical_crossentropy’,metrics=[‘accuracy’])

说明

关于metrics

训练模型

model.fit(X_train,Y_train,epochs=2,batch_size=32)

模型评估

loss,accuracy = model.evaluate(X_test,Y_test)

loss 误差 目标值 0

accuracy 准确率 目标值 100%

模型检验

主要通过model.predict() 函数，使用训练好的神经网络，输出对 测试集 中第一章图片 img_0的预测

X_predict = X_test[:10,:]

X_predict = X_predict.reshape(10,28,28)

plt.imshow(X_predict[0,:,:],cmap=‘Greys_r‘)

plt.axis(‘off‘)

plt.show()

img_0 = X_test[0,:].reshape(1,784)

result = np.argmax(model.predict(img_0))

print(result)

关键

model.predict() 返回值

enter description here

输出一个1*10的矩阵，分别对应图片上数字为0-9的可能性。

这张图片对应的数字的最大可能性，就是该矩阵最大值对饮的下标

获取array的最大值

参考

结果

图片为：

预测为：