材料和方法
今天繼續使用MNIST數據。
方法:
這次使用的方法爲卷積神經網絡(CNN)。卷積神經網絡通過卷積層,池化層來做特徵的提取,最後再連上全連接網絡。
卷積層
卷積層就是通過多個filter來生成多張圖片,其運算如圖所示。
池化層
池化層就是對圖像進行縮減採樣,讓保證數據特徵的情況下減少計算開銷。
數據處理
卷積神經網絡和之前的處理不一樣,要將圖片轉換爲三維的(RGB),這裏MNIST爲灰度圖,所以是二維的。
from keras.datasets import mnist
from keras.utils import np_utils
import numpy as np
np.random.seed(10)
(x_Train, y_Train), (x_Test, y_Test) = mnist.load_data()
x_Train4D=x_Train.reshape(x_Train.shape[0],28,28,1).astype('float32')
x_Test4D=x_Test.reshape(x_Test.shape[0],28,28,1).astype('float32')
x_Train4D_normalize = x_Train4D / 255
x_Test4D_normalize = x_Test4D / 255
y_Train = np_utils.to_categorical(y_Train)
y_Test = np_utils.to_categorical(y_Test)
CNN建模
建立模型
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D
model = Sequential()
model.add(Conv2D(filters=16,
kernel_size=(5,5),
padding='same',
input_shape=(28,28,1),
activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=36,
kernel_size=(5,5),
padding='same',
activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))
模型訓練
model.compile(loss='categorical_crossentropy',
optimizer='adam',metrics=['accuracy'])
train_history=model.fit(x=x_Train4D_normalize,
y=y_Train,validation_split=0.2,
epochs=20, batch_size=300,verbose=2)
模型測試
精度明顯高於MLP模型。