keras的第一个例子实现mnist识别分类

从mnist手写数据集一步一步带你走进keras这个应用起来极为简单的框架

前言

一般的初学者呢，基本都会对mnist进行入门的学习，我也不例外。学习闲暇之余，也分享一下我的学习过程。

1.几句话介绍本文内容

好无聊啊！讲个故事吧。

浅显来讲，深度学习喂给模型（算法）的数据，模型吃了数据就会越来越有经验。就好比你吃遍学校或家里边的小吃街，再去的时候径直走向烤鱿鱼（因为你已经吃过n次了，超酷爱这个东东）

稍微正经点说，啥意思呢。小吃是数据、你是模型、感觉好不好吃也是数据。就是说你吃了小吃很多次，你就有经验了。对应的，深度学习中的模型利用数据训练也具有经验，把这个训练多次的经验保存下来，你就拥有这个算法了，就能于万千商品中，一眼找到你的最爱。

2.准备

有了一定了解之后，就需要准备数据了。正巧，keras这个框架里面继承了mnist数据集，就不需要我们下载了。还需要模型，这就需要我们自己创建了。

3.开始撸码

第一步：导库

from tensorflow.keras.datasets import mnist  # 数据集接口
import matplotlib.pyplot as plt  # 绘图接口
from tensorflow.keras.layers import Dense  # 全连接层
from tensorflow.keras import models 

写代码第一步就是导库，可以直接调用别人写好的接口。避免闭门造车，提升开发效率。

第二步：获取数据

1.通过mnist.load_data()方法读取到数据存在变量中。用print()查看一下读取到的数据。

# 装载数据
(train_image,train_label), (test_image,test_label) = mnist.load_data()
print('train_image.shape:', train_image.shape)
print('test_image.shape:', test_image.shape)
print('train_label.shape', train_label.shape)
print('test_label.shape', test_label.shape)
print('train_label', train_label)

运行结果：

train_image.shape: (60000, 28, 28)

test_image.shape: (10000, 28, 28)

train_label.shape (60000,)

test_label.shape (10000,)

train_label [5 0 4 … 5 6 8]

训练集中有60000张28x28大小的图片，测试集中有10000张28x28大小的图片。

2.查看一下图片和标签（此步用于测试，实际可没有）

cmap即colormaps,图谱。matplotlib.cm是matplotlib库中内置的色彩映射函数。matplotlib.cm.[色彩]，即对[数据集]应用对应的内置色彩映射列表（这里是binary）。

# # 打印一下 显示图片
plt.imshow(train_image[0], cmap=plt.cm.binary)
# plt.imshow(test_image[0], cmap=plt.cm.binary)
print('train_label:', train_label)
# print('test_label:', test_label)
plt.show()

运行结果：观察训练集的第一个图片机器它的标签

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iM2vVQvd-1647964044824)(photo/Snipaste_2022-03-21_21-51-22.png)]

train_label: [5 0 4 … 5 6 8]

3.数据预处理

把数据进行预处理，满足训练要求的格式

# 改变shape 满足模型输入
train_image = train_image.reshape(60000, 28*28)
test_image = test_image.reshape(10000, 28*28)
# 归一化 使数据被限定在一定的范围内，消除奇异样本数据导致的不良影响
train_image = train_image.astype('float32')/255
test_image = test_image.astype('float32')/255

from tensorflow.keras.utils import to_categorical
print('before:', train_label[0])  # 5
print('before shape:', train_label.shape) # (60000,)
# 分类算法一般把 label 调用to_categorical进行one-hot处理
train_label = to_categorical(train_label)
test_label = to_categorical(test_label)
print('after:', train_label[0])   # [0,0,0,0,0,1,0,0,0,0]
print('after:', train_label.shape)  # (60000, 10)

运行结果：

before: 5
before shape: (60000,)
after: [0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
after: (60000, 10)

第三步：构建网络架构

使用序贯模型，好处是可以通过.add()方法堆叠模型。

• 第一层：28*28节点 输入层
• 第二层：524节点 中间层（隐藏层）
• 第三层：10节点 分类

# 定义序贯模型 
model = models.Sequential()
# 添加524个节点的全连接层 激活函数relu 数据输入shape为(28x28)
model.add(Dense(524, activation='relu', input_shape=(28*28,)))
# 添加10个节点的全连接层 激活函数softmax 数据输入系统默认为上一层网络输出
model.add(Dense(10, activation='softmax',))

模型的构建后, 可以使用 .compile() 来配置学习过程。在使用过程中常用的是这三个参数：

• optimizer：优化器，用于控制梯度裁剪。必选项
• loss：损失函数（或称目标函数、优化评分函数）。必选项
• metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练过程中。

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

第四步：训练

准备工作就绪，fit()方法训练。部分参数：

• x：训练数据
• y：标签
• batch_size：整数，每次梯度更新的样本数。默认为32
• epochs：整数，训练模型迭代次数
• verbose：日志展示，整数
  • 0：不输出日志信息
  • 1：显示进度条
  • 2：每个epoch输出一行记录
• callbacks：其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数

# 训练 fit
model.fit(train_image, train_label, epochs=3, batch_size=200, verbose=2)

第五步：评估

evaluate()方法评估，在测试模式下返回模型的误差值和评估标准值。计算是分批进行的。

• x: 测试数据的 Numpy 数组

• y: 目标（标签）数据的 Numpy 数组

• batch_size: 整数或 None。每次评估的样本数。如果未指定，默认为 32。

• verbose: 0 或 1。日志显示模式。 0 = 安静模式，1 = 进度条。

• 返回： 返回了多少个值，是不固定的，如果在complie的时候没有指定metrics的话，默认只有loss一个返回值。可以使用model.metrics_names查看

# 评估模型
loss, acc = model.evaluate(test_image, test_label, verbose=0)
print('loss:{}\nacc:{}'.format(loss, acc))
# 保存模型 保存在同级目录下
model.save('keras.h5' % acc)

运行结果：

Epoch 1/3

60000/60000 - 3s - loss: 0.2879 - acc: 0.9178

Epoch 2/3

60000/60000 - 3s - loss: 0.1184 - acc: 0.9656

Epoch 3/3

60000/60000 - 3s - loss: 0.0791 - acc: 0.9764

loss:0.08860381994713097

acc:0.9726999998092651

第六步：测试一下咱们的模型

模型训练完毕，并且也保存了。让我们来使用吧，这里再次读取数据集，使用刚刚的经验（训练好的模型）来测试一下。

model = models.load_model('keras.h5')  # 载入模型


(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# digit = test_images[1]
# plt.imshow(digit, cmap=plt.cm.binary)
# plt.show()
test_images = test_images.reshape((10000, 28*28))  # 预处理
res = model.predict(test_images)  # 预测
# NUM = 2
correct_num = 0
total_num = 1000*3
for NUM in range(0, total_num):
    for i in range(res[NUM].shape[0]):
        if (res[NUM][i] == 1):
            correct_num += 1
            # print("the number for the picture is : ", i)
            break
print('correct rate:', correct_num/total_num)

运行输出

correct rate: 0.9996666666666667

我这里total_num = 100时，输出的是correct rate: 1.0。这里的预测准确率大家和我不同不用担心，因为训练过程根据电脑配置、软件环境都是有关的。代码跟着我打下来，数据只要差的不是特别多都可以接受。

correct rate: 0.9996666666666667

我这里total_num = 100时，输出的是correct rate: 1.0。这里的预测准确率大家和我不同不用担心，因为训练过程根据电脑配置、软件环境都是有关的。代码跟着我打下来，数据只要差的不是特别多都可以接受。