基于tensorflow的神经网络实战：（cnn模型）一次kaggle上的手写数字(Digit Recognizer)提交

最新推荐文章于 2023-02-05 16:32:40 发布

red fish

最新推荐文章于 2023-02-05 16:32:40 发布

阅读量205

点赞数 1

文章标签： tensorflow 神经网络 python 卷积神经网络

本文链接：https://blog.csdn.net/weixin_45824186/article/details/107621353

版权

本文介绍了使用TensorFlow构建的卷积神经网络（CNN）模型，应用于Kaggle上的Digit Recognizer挑战。通过MNIST数据集进行训练，实现了约0.98的准确率。代码部分包含数据读取和模型构建，部分内容参考了其他博主的实践。

摘要由CSDN通过智能技术生成

初识神经网络，入门级别的mnist手写数据，然后在kaggle上提交了一下，tensorflow ，卷积神经网络的cnn模型，准确率大概是0.98的样子，其中的网络结构参考了一些博客上的其他的博主，数据读取也有参考和借鉴，希望对大家的学习之路有所帮助
在这里插入图片描述
代码如下：

import numpy as np
import tensorflow as tf
import pandas as pd

# 加载数据集
train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')

# 把图片数据取出来，进行处理
x_train = train.iloc[:,1:].values
x_train = x_train.astype(np.float)
x_test = test.iloc[:,:].values
x_test = x_test.astype(np.float)

# 给到的图片灰度值在0-255，这里将图片的信息控制在0~1之间
x_train = np.multiply(x_train, 1.0/255)
x_test = np.multiply(x_test, 1.0/255)

# 计算图片的长和高，下面会用到
image_size = x_train.shape[1]
image_width = image_height = np.ceil(np.sqrt(image_size)).astype(np.uint8)

# 把数据集的标签结果取出来
labels_train = train.iloc[:,0].values
label_count = np.unique(labels_train).shape[0]

#写一个对Label进行one-hot处理的函数
def dense_to_ont_hot(labels_dense,num_classes):
    num_labels = labels_dense.shape[0]
    index_offset = np.arange(num_labels) * num_classes
    labels_one_hot = np.zeros((num_labels,num_classes))
    labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
    return labels_one_hot
# 对Label进行one-hot处理
labels = dense_to_ont_hot(labels_train