深度學習|Keras識別MNIST手寫數字（一）

數據和方法

MNIST數據集是收集的手寫字體，爲單色圖像，共有訓練集60000項，測試數據集10000項。
建模方法我們使用最簡單的神經網絡模型，多層感知器（MLP）。

數據下載和處理

數據下載

Keras已經提供了模塊用於下載數據，通過一下代碼即可完成下載。

### 首先導入程序所需要的庫
import numpy as np
import pandas as pd
from keras.utils import np_utils
np.random.seed(10)
from keras.datasets import mnist

(X_train,y_train),(X_test,y_test) = mnist.load_data()   #下載數據

我們可以看下數據的長度。

通過matplotlib繪製圖片看看數據長什麼樣子~

數據處理

數據處理大概分爲以下幾步：

• 圖片是28X28，我們要轉換爲一維的，這樣纔可以作爲我們的輸入層。
• 圖片標準化
• label值換爲one-hot編碼，做爲輸出層。

代碼：

X_train = X_train.reshape(60000,784).astype('float32')
X_test = X_test.reshape(10000,784).astype('float32')

X_train = X_train/255
X_test = X_test/255

y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)

MLP建模

模型結構

輸入層爲784（28×28）個神經元 ，隱層256個，輸出層爲10。

建立模型

導入相應的庫，建立Sequential模型，然後模型加入Dense神經網絡層（全連接）。具體代碼如下：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=256, 
                input_dim=784, 
                kernel_initializer='normal', 
                activation='relu'))
model.add(Dense(units=10, 
                kernel_initializer='normal', 
                activation='softmax'))

我們可以通過summary查看模型的摘要：

訓練模型

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

train_history = model.fit(x=X_train,
                         y=y_train,validation_split=0.2, 
                         epochs=10, batch_size=200,verbose=2)

對訓練模型進行可視化：

測試數據