使用 Keras 定义简单神经网络来识别 MNIST 手写数字的网络

最新推荐文章于 2023-11-18 08:00:00 发布
最新推荐文章于 2023-11-18 08:00:00 发布
阅读量1.1k 收藏 5
点赞数
分类专栏： Keras 文章标签： Keras
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zimiao552147572/article/details/90479046
版权

Keras 深度学习实战（不定时更新）

 

Kera 提供了必要的库来加载数据集，并将其划分成用于微调网络的训练集 X_train，
以及用于评估性能的测试集 X_test 。数据转换为支持 GPU 计算的 float 32 类型，
井归一化为[0, 1]。另外，我们将真正的标签各自加载到 Y_train、Y_test 中，
并对其进行 One-hot 编码。

Keras 配置

https://keras-cn.readthedocs.io/en/latest/preprocessing/image/

data_format：字符串，“channel_first”或“channel_last”之一，代表图像的通道维的位置。
该参数是Keras 1.x中的image_dim_ordering，“channel_last”对应原本的“tf”，“channel_first”对应原本的“th”。
以128x128的RGB图像为例，“channel_first”应将数据组织为（3,128,128），而“channel_last”应将数据组织为（128,128,3）。
该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channel_last”

{
    "floatx": "float32",
    "epsilon": 1e-07,
    "backend": "tensorflow",
    "image_data_format": "channels_last"
}

 查看mnist文件的位置

在from keras.datasets import mnist 一行上 点击 mnist 进入 mnist.py

keras_MINST_V1.py 

from __future__ import print_function
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

import matplotlib.pyplot as plt

np.random.seed(1671)  # for reproducibility

# network and training
NB_EPOCH = 200
BATCH_SIZE = 128
VERBOSE = 1
NB_CLASSES = 10   # number of outputs = number of digits
OPTIMIZER = SGD() # SGD optimizer, explained later in this chapter
N_HIDDEN = 128
VALIDATION_SPLIT=0.2 # how much TRAIN is reserved for VALIDATION

# data: shuffled and split between train and test sets
#
(X_train, y_train), (X_test, y_test) = mnist.load_data()

#X_train is 60000 rows of 28x28 values --> reshaped in 60000 x 784
RESHAPED = 784
#
X_train = X_train.reshape(60000, RESHAPED)
X_test = X_test.reshape(10000, RESHAPED)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

# normalize 
#
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

# 10 outputs
# final stage is softmax

model = Sequential()
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,)))
model.add(Activation('softmax'))

model.summary()

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

history = model.fit(X_train, Y_train,
                    batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                    verbose=VERBOSE, validation_split=VALIDATION_SPLIT)
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

# list all data in history
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

执行情况

keras_MINST_V2.py 

from __future__ import print_function
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

import matplotlib.pyplot as plt

np.random.seed(1671)  # for reproducibility

# network and training
NB_EPOCH = 20
BATCH_SIZE = 128
VERBOSE = 1
NB_CLASSES = 10   # number of outputs = number of digits
OPTIMIZER = SGD() # optimizer, explained later in this chapter
N_HIDDEN = 128
VALIDATION_SPLIT=0.2 # how much TRAIN is reserved for VALIDATION

# data: shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

#X_train is 60000 rows of 28x28 values --> reshaped in 60000 x 784
RESHAPED = 784
#
X_train = X_train.reshape(60000, RESHAPED)
X_test = X_test.reshape(10000, RESHAPED)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

# normalize 
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

# M_HIDDEN hidden layers
# 10 outputs
# final stage is softmax

model = Sequential()
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
model.add(Activation('relu'))
model.add(Dense(N_HIDDEN))
model.add(Activation('relu'))
model.add(Dense(NB_CLASSES))
model.add(Activation('softmax'))
model.summary()

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

history = model.fit(X_train, Y_train,
                    batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                    verbose=VERBOSE, validation_split=VALIDATION_SPLIT)

score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

# list all data in history
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

执行情况

 

keras_MINST_V3.py 

from __future__ import print_function
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

import matplotlib.pyplot as plt

np.random.seed(1671)  # for reproducibility

# network and training
NB_EPOCH = 250
BATCH_SIZE = 128
VERBOSE = 1
NB_CLASSES = 10   # number of outputs = number of digits
OPTIMIZER = SGD() # optimizer, explained later in this chapter
N_HIDDEN = 128
VALIDATION_SPLIT=0.2 # how much TRAIN is reserved for VALIDATION
DROPOUT = 0.3

# data: shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

#X_train is 60000 rows of 28x28 values --> reshaped in 60000 x 784
RESHAPED = 784
#
X_train = X_train.reshape(60000, RESHAPED)
X_test = X_test.reshape(10000, RESHAPED)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

# normalize 
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

# M_HIDDEN hidden layers
# 10 outputs
# final stage is softmax

model = Sequential()
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
model.add(Activation('relu'))
model.add(Dropout(DROPOUT))
model.add(Dense(N_HIDDEN))
model.add(Activation('relu'))
model.add(Dropout(DROPOUT))
model.add(Dense(NB_CLASSES))
model.add(Activation('softmax'))
model.summary()

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

history = model.fit(X_train, Y_train,
                    batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                    verbose=VERBOSE, validation_split=VALIDATION_SPLIT)

score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

# list all data in history
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

执行情况

keras_MINST_V4.py 

from __future__ import print_function
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import RMSprop
from keras.utils import np_utils

import matplotlib.pyplot as plt

np.random.seed(1671)  # for reproducibility

# network and training
NB_EPOCH = 20
BATCH_SIZE = 128
VERBOSE = 1
NB_CLASSES = 10   # number of outputs = number of digits
OPTIMIZER = RMSprop() # optimizer, explainedin this chapter
N_HIDDEN = 128
VALIDATION_SPLIT=0.2 # how much TRAIN is reserved for VALIDATION
DROPOUT = 0.3

# data: shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

#X_train is 60000 rows of 28x28 values --> reshaped in 60000 x 784
RESHAPED = 784
#
X_train = X_train.reshape(60000, RESHAPED)
X_test = X_test.reshape(10000, RESHAPED)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

# normalize 
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

# M_HIDDEN hidden layers
# 10 outputs
# final stage is softmax

model = Sequential()
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
model.add(Activation('relu'))
model.add(Dropout(DROPOUT))
model.add(Dense(N_HIDDEN))
model.add(Activation('relu'))
model.add(Dropout(DROPOUT))
model.add(Dense(NB_CLASSES))
model.add(Activation('softmax'))
model.summary()

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

history = model.fit(X_train, Y_train,
                    batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                    verbose=VERBOSE, validation_split=VALIDATION_SPLIT)

score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

# list all data in history
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

执行情况

 

 

 

 

 

 

 

 

あずにゃん
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
使用神经网络识别手写数字 (MNIST 数据集).zip
01-03
在本文中，我们将深入探讨如何使用神经网络进行手写数字识别，特别关注MNIST数据集。MNIST（Modified National Institute of Standards and Technology）是机器学习领域一个经典的图像识别任务，常用于初学者入门...
两行代码在keras中轻松导入mnist数据集
qq_53349891的博客
11-01 2598
帮助大家避免走过的坑，话不多说直接开整 首先需要下载mnist数据集，网址MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burgeshttp://yann.lecun.com/exdb/mnist/ 下载好的文件名字如下 不用解压，放到下面路径即可，（要根据自己的keras安装路径选择文件放置位置） 放置好后输入下面代码即可 ##########从keras文件夹中的d...
安装Keras，并导入MNIST数据集（附mnist数据集存储位置）
风的博客
04-13 5327
步骤 先在Anaconda Prompt里激活TensorFlow环境： 输入命令：activate + 环境名称（我配置的TensorFlow环境名称叫tensorflow），变成下面这个样子： (base) C:\Users\Wind>activate tensorflow (tensorflow) C:\Users\Wind> 接着输入：pip install keras，等待安装，如图： (tensorflow) C:\Users\Wind>pip install..
【keras入门】MNIST数据集分类
Michale_L的博客
04-21 3914
# (60000, 28, 28)->(60000, 784) x_train = x_train.reshape(x_train.shape[0],-1)/255.0 # x_train.shape是(60000, 28, 28)， x_train.shape[0]就是60000 # -1表示不自己设置具体维度，自动寻找合适值给设置，这里自动设成28*28，也就是784 # 除255是为了归一化，把一张图片上 print(x_train[0]) print(len(x_train[0])) # x.
keras卷积神经网络+mnist数据集
m0_54510474的博客
10-05 883
使用keras框架建立具有2个卷积层的卷积神经网络，对mnist数据集进行训练、拟合以及预测
Keras MNIST 手写数字识别数据集
森宝的博客
04-27 3635
下载 MNIST 数据 1 导入相关的模块 import keras import numpy as np from keras.utils import np_utils import os from keras.datasets import mnist 2 第一次进行Mnist 数据的下载 (X_train_image ,y_train_image),(...
CNN卷积神经网络实现Mnist手写数字识别数据集.zip
03-07
这个压缩包“CNN卷积神经网络实现Mnist手写数字识别数据集.zip”显然包含了实现CNN模型以识别MNIST数据集的手写数字的代码和资源。 CNN的核心特点包括卷积层、池化层、激活函数和全连接层等。这些组件协同工作，...
Python实现手写数字识别(神经网络、mnist数据集).zip
06-20
在本项目中，我们主要探讨的是使用Python编程语言来实现手写数字的识别，这是一个常见的机器学习任务，常被用于入门神经网络的学习。核心技术是神经网络，具体来说，我们将利用经典的MNIST数据集，这是一个专门针对...
mnist.zip_MNIST_keras_mnist实现_卷积网络识别MNIST代码_数字识别
09-23
标题中的“mnist.zip”...通过这个项目，你可以了解如何使用Keras构建和训练一个简单的CNN模型，以及如何应用它来解决实际的手写数字识别问题。这个过程不仅加深了对CNN和Keras的理解，也提供了实践深度学习的好机会。
w1_图像目标识别_卷积神经网络MNIST手写数据识别_
10-02
在本项目"图像目标识别_卷积神经网络MNIST手写数据识别_"中，我们将重点探讨如何利用CNN进行手写数字的识别。 MNIST数据集是机器学习和深度学习领域中的经典数据集，它包含60,000个训练样本和10,000个测试样本，每...
【深度学习实战—1】：基于Keras的手写数字识别（非常详细、代码开源）
王乐予的博客
11-19 1万+
  本来想着多更新一些关于深度学习的文章，但这方面知识专业度很高，如果作者本身都掌握不好，又怎么能写出好文章分享呢？   距离第一篇关于深度学习的文章：深度学习笔记1——激活函数，已经过去了9个多月，在沉淀了9个月后，这次写出了第二篇关于深度学习的文章，而且出于快速上手代码编写的目的，这次直接进行手写数字识别的实战，且看下文： 一、准备工作 设备\库 型号\版本 显卡 GTX1650 驱动程序版本 457.49 tensorflow-gpu版本 2.4.0 keras版本 2.4
keras简单实例：逻辑分类处理MNIST数据集
lsh呵呵
04-08 812
from keras.datasets import mnist from keras.utils import np_utils from keras.models import Sequential from keras.layers import Dense batch_size=128 nb_classes=10 nb_epoch=10 img_size=28*28 (x_train,...
机器学习实战 | MNIST手写数字分类项目（深度学习初级）
lovetaozibaby的博客
07-10 2011
准备写个系列博客介绍机器学习实战中的部分公开项目。首先从初级项目开始。本文为初级项目第二篇：利用MNIST数据集训练手写数字分类。。机器学习实战 | emojify 使用Python创建自己的表情符号（深度学习初级）
Keras入门级MNIST手写数字识别超级详细教程
热门推荐
xfxuezhang.cn
05-30 2万+
MNIST 手写数字分类数据集 该MNIST数据集是代表标准和技术数据集的改良研究所的缩写。 它是一个包含 60,000 张 0 到 9 之间的手写单个数字的 60,000 个小正方形 28×28 像素灰度图像的数据集。 任务是将给定的手写数字图像分类为 10 个类别之一，代表从 0 到 9 的整数值，包括 0 到 9。 它是一个广泛使用且深入理解的数据集，并且在大多数情况下已“解决”。表现最好的模型是深度学习卷积神经网络，其分类准确率超过 99%，在保持测试数据集上的错误率在 0.4% 到 0.2
mnist数据集python导入_keras如何导入本地下载的mnist数据集？
weixin_39770311的博客
12-05 727
第一步 下载数据集到本地下载链接：https://pan.baidu.com/s/1u4OqmKzImsnZj81r4h_t3A 提取码：yx7r存储位置：放在mnist识别问题的代码同一个文件夹是可行的。（或许其他位置也可以）第二步 导入数据集import kerasimport numpy as np# load mnist datafrom keras.datasets import mni...
【使用Keras构建并训练MNIST手写数字识别模型】
最新发布
2301_78267803的博客
11-18 215
【代码】【使用Keras构建并训练MNIST手写数字识别模型】
使用keras构建和训练mnist的神经网络
guotianqing的博客
10-22 1568
简介 mnist是机器学习领域的经典数据集，其用例学习堪比编程领域的的“hello world”。 它包含60000张训练图像和10000张测试图像，这些图像是手写的数字，目的是要通过机器学习的方法把这些图像分为10类：0——9。 mnist数据集预先加载在keras库中，其中包含有4个Numpy数组。 关于mnist数据加载的问题，请参考本地加载测试mnist数据集——使用keras库。 开始构建神经网络 跟我一起来，按下面的步骤构建网络。 加载数据集 from keras.datasets im
深度学习Keras（一）：MNIST数据集
WILDCHAP_的博客
07-26 272
from keras.datasets import mnist from keras import models, layers from keras.utils import to_categorical import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #导入数据 (train_images, train_labels), (test_images, test_labels) = mnist.load_data() #构建结构 network =
解决keras无法导入mnist的问题
i_name的博客
10-08 5176
解决keras无法导入mnist的问题下载mnist.npz方法改动mnist.py的代码如下测试mnist.npz 下载mnist.npz方法 网址：https://s3.amazonaws.com/img-datasets/mnist.npz，由于一些原因原因，无法正常访问，导致mnist无法直接被导入，因此我们需要换一个方法使该功能完成。 首先可以在该网盘中进行获取mnist.npz文件 链...
使用R语言实现搭建一个卷积神经网络来识别MNIST手写数字数据集
05-19
好的，下面是使用R语言搭建卷积神经网络来识别MNIST手写数字数据集的步骤： 1. 导入数据集 首先，我们需要将MNIST数据集导入到R中。我们可以使用以下代码： ```R library(keras) mnist <- dataset_mnist() x_train <- mnist$train$x y_train <- mnist$train$y x_test <- mnist$test$x y_test <- mnist$test$y ``` 2. 数据预处理 接下来，我们需要对数据进行预处理。我们将像素值从0到255归一化为0到1，并将标签转换为独热编码。我们可以使用以下代码： ```R x_train <- x_train / 255 x_test <- x_test / 255 y_train <- to_categorical(y_train, num_classes = 10) y_test <- to_categorical(y_test, num_classes = 10) ``` 3. 搭建卷积神经网络模型 接下来，我们将搭建卷积神经网络模型。我们将使用两个卷积层和一个全连接层。我们可以使用以下代码： ```R model <- keras_model_sequential() %>% layer_conv_2d(filters = 32, kernel_size = c(3, 3), activation = 'relu', input_shape = c(28, 28, 1)) %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>% layer_conv_2d(filters = 64, kernel_size = c(3, 3), activation = 'relu') %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>% layer_flatten() %>% layer_dense(units = 64, activation = 'relu') %>% layer_dense(units = 10, activation = 'softmax') ``` 4. 编译模型 接下来，我们需要编译模型并指定损失函数、优化器和评估指标。我们可以使用以下代码： ```R model %>% compile( loss = 'categorical_crossentropy', optimizer = optimizer_rmsprop(), metrics = c('accuracy') ) ``` 5. 训练模型 现在，我们可以训练我们的模型。我们将使用批量大小为128，训练周期为10个周期。我们可以使用以下代码： ```R model %>% fit( x_train, y_train, epochs = 10, batch_size = 128, validation_split = 0.2 ) ``` 6. 评估模型 最后，我们可以使用测试数据集评估我们的模型。我们可以使用以下代码： ```R model %>% evaluate(x_test, y_test) ``` 这就是使用R语言搭建卷积神经网络来识别MNIST手写数字数据集的完整步骤。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

あずにゃん

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值