5.4 Keras卷积神经网络实例 --- 输入数据形状

手写数据集是深度学习中，最基础应用最广泛的数据集。

手写数据集内置在keras中

一）整体代码

import keras
from keras import layers
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

import keras.datasets.mnist as mnist

(train_image, train_label), (test_image, test_label) = mnist.load_data()

train_image.shape, test_image.shape

a = np.array([1, 2, 3])
a.ndim
np.expand_dims(a, axis=-1).ndim

train_image = np.expand_dims(train_image, axis=-1)
train_image.shape

test_image = np.expand_dims(test_image, axis=-1)
test_image.shape

model = keras.Sequential()
model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D())
model.summary()

model.add(layers.Flatten())
model.summary()

model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))
model.summary()

train_label

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
)

model.fit(train_image, train_label, epochs=10, batch_size=512)

import numpy as np
np.argmax(model.predict(test_image[:10]),axis=1)

test_label[:10]

二）代码分析:

train_image.shape, test_image.shape

发现训练图像集有60000个28X28像素的图像。

但是60000，28，28分别对应图像的batch、height、width,只有两个维度，所以下面的操作就是需要去扩张图像的channel维度。（此操作并没有扩张数据）

注1：图像数据的shape 

hight  width   channel

彩色图像：  (h, w, 1)

conv2d:       图片输入的形状： batch(多少张图片), height(图片高度), width(图片宽度), channels 

dense:         输入数据的形状： batch, data

a = np.array([1, 2, 3])
a.ndim
np.expand_dims(a, axis=-1).ndim

上面操作就是将 定义的一个一维数据 [1,2,3] 变为 二维数据 [ [1], [2], [3] ]

        其中 np.expand_dims(a, axis=-1) 的参数axis= -1表示在最后一个维度上进行扩张

某某.ndim是去查看他的维度信息

train_image = np.expand_dims(train_image, axis=-1)
train_image.shape

test_image = np.expand_dims(test_image, axis=-1)
test_image.shape

上面的操作就是去预处睿图片的维度，下面就是预处理训练集和测试集图片后的结果