LeNet-5网络结构详解和minist手写数字识别项目实践

参考论文：Gradient-Based Learning Applied to Document Recognition

组成

​ 网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。

输入层：32×32（输入层不计入网络层数）

卷积层1：6个5×5的卷积核，步长为1——>（6，28，28）

池化层1：MaxPooling，（2，2）——>（6，14，14）

卷积层2：16个5×5的卷积核，步长为1——>（16，10，10）

池化层2：MaxPooling，（2，2）——>（16，5，5）

全连接层1：120，——>16×5×5×120+120

全连接层2：84，——>120×84+84

全连接层3：10，——>84*10+10

特点

1. 第一次将卷积神经网络应用于实际操作中，是通过梯度下降训练卷积神经网络的鼻祖算法之一；
2. 奠定了卷积神经网络的基本结构，即卷积、非线性激活函数、池化、全连接；
3. 使用局部感受野，权值共享，池化（下采样）来实现图像的平移，缩放和形变的不变性，其中卷积层用
4. 来识别图像里的空间模式，如线条和物体局部特征，最大池化层则用来降低卷积层对位置的敏感性；

lenet5-minist手写数字识别项目实践

import tensorflow  as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Activation, Conv2D, MaxPooling2D, Flatten
from tensorflow.keras.datasets import mnist

# 加载mnist数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(type(x_train)) # <class 'numpy.ndarray'>
print(x_train.shape) # (60000, 28, 28)
print(x_test.shape) # (10000, 28, 28)
print(y_train.shape)#(60000,)
print(y_test.shape)#(10000,)

# 数据类型转换，uint8 to float32，(60000, 28, 28) to (60000, 28, 28, 1)
x_train = x_train.reshape(-1, 28, 28, 1)
print(x_train.dtype) # uint8
x_train = x_train.astype('float32')
print(x_train.dtype) # float32
print(x_train.shape)#uint8类型的(60000, 28, 28)变成float32的(60000, 28, 28, 1)
y_train = y_train.astype('float32')
x_test = x_test.reshape(-1, 28, 28, 1)
x_test = x_test.astype('float32')
y_test = y_test.astype('float32')
print(y_train)

# x数据归一化，255为像素最大值
x_train /= 255
x_test /= 255

#label为0~9共10个类别，将其转换成one-hot编码
from tensorflow.python.keras.utils.np_utils import to_categorical
y_train_new = to_categorical(num_classes=10, y=y_train)
print(y_train_new)
y_test_new = to_categorical(num_classes=10, y=y_test)


# LeNet_5网络结构搭建
def LeNet_5():
    model = Sequential()
    model.add(Conv2D(filters=6, kernel_size=(5, 5), padding='valid', activation='tanh', input_shape=[28, 28, 1]))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Conv2D(filters=16, kernel_size=(5, 5), padding='valid', activation='tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(120, activation='tanh'))
    model.add(Dense(84, activation='tanh'))
    model.add(Dense(10, activation='softmax'))
    return model


# LeNet_5模型训练和编译
def train_model(xtr,ytr,batch_size,epochs,n_val):
    model = LeNet_5()
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    tensorboard = tf.keras.callbacks.TensorBoard(histogram_freq=1)
    model.fit(xtr, ytr, batch_size=batch_size, epochs=epochs, validation_split=n_val, shuffle=True,callbacks=[tensorboard])
    #shuffle=True用于打乱数据集，每次都会以不同的顺序返回。
    return model,tensorboard


model,tensorboard = train_model(x_train, y_train_new,64,20,0.2)
tf.saved_model.save(model,'LeNet_5-1')
# 返回测试集损失函数值和准确率
loss1, accuracy1 = model.evaluate(x_train, y_train_new)
loss2, accuracy2 = model.evaluate(x_test, y_test_new)
print(loss1, accuracy1)#0.027162624523043633 0.9929999709129333
print(loss2, accuracy2)#0.061963751912117004 0.9837999939918518

tensorboard --logdir=C:\Users\ThinkStation\Desktop\logs\train

模型保存