一、使用CNN進行mnist手寫圖片識別
卷積神經網絡在圖片的處理效果比較好
這裏構建了一個卷積層->池化層->卷基層->池化層->全連接層->輸出層的網絡結構,識別效果高達99%以上
二、代碼分析
1、導入相關模塊
import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
import tensorflow as tf
2、載入數據並切換數據格式
#將x_train和x_test的shape轉換成(60000,28,28,1)
#(60000,28,28)->(60000,28,28,1)
#由於其數值範圍從0到255,因此除以255以實現歸一化使得數據範圍從0到1
x_train = x_train.reshape(-1,28,28,1)/255.0
x_test = x_test.reshape(-1,28,28,1)/255.0
print(x_train.shape)
#將y_train和t_test轉換成one hot格式
y_train = keras.utils.to_categorical(y_train,num_classes=10)
y_test = keras.utils.to_categorical(y_test,num_classes=10)
注意這裏將原來的圖片由(60000,28,28)改成了(60000,28,28,1)最後一維是通道數
3、創建模型
#創建模型,輸入784個神經元,輸出10個神經元
model = keras.Sequential()
#卷積層參數
#input_shape 輸入平面
#filter 卷積核/濾波器個數
#kernel_size 卷積窗口大小
#strides 步長
#padding方式 same/valid
#activation 激活函數
model.add(keras.layers.Convolution2D(input_shape=(28,28,1),filters=32,kernel_size=5,strides=1,padding='same',activation='relu'))
model.add(keras.layers.MaxPooling2D(pool_size=2,strides=2,padding='same'))
model.add(keras.layers.Convolution2D(64,5,strides=1,padding='same',activation='relu'))
model.add(keras.layers.MaxPooling2D(2,2,'same'))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(1024,activation='relu'))
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(10,activation='softmax'))
adm = keras.optimizers.Adam()
model.compile(optimizer=adm,loss='categorical_crossentropy',metrics=['accuracy'])
有關卷基層的參數和意義已經寫在裏面了
4、訓練模型和評估模型
#開始訓練模型
model.fit(x_train,y_train,batch_size=32,epochs=10)
#評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('loss: ',loss)
print('accuracy: ',accuracy)