深度學習|Keras識別MNIST手寫數字（CNN）

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。