程序
- 導入庫
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten # 二維卷積、二維池化、扁平化(降維)
from keras.optimizers import Adam
- 加載mnist數據集+預處理
# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)->(60000,28,28,1)
# 最後一個維度圖片深度,1表示黑白,3表示彩色
x_train = x_train.reshape(-1,28,28,1)/255.0
x_test = x_test.reshape(-1,28,28,1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
- 創建模型+訓練
在代碼解釋方面:參考博客:Keras Adam優化器以及CNN應用於手寫識別
# 定義順序模型
model = Sequential()
# 第一個卷積層
# input_shape 輸入平面
# filters 卷積核/濾波器個數
# kernel_size 卷積窗口大小
# strides 步長
# padding padding方式 same/valid
# activation 激活函數
model.add(Convolution2D( # 平面大小28x28,用same padding得到的和上一次一樣,也是28x28,有32個特徵圖
input_shape = (28,28,1), #只需要在第一次添加輸入平面
filters = 32,
kernel_size = 5,
strides = 1,
padding = 'same',
activation = 'relu'
))
# 第一個池化層
model.add(MaxPooling2D( # 池化後變成14x14,32個特徵圖
pool_size = 2,
strides = 2,
padding = 'same',
))
# 第二個卷積層
model.add(Convolution2D(64,5,strides=1,padding='same',activation = 'relu')) # 卷積層後64個特徵圖,14x14
# 第二個池化層
model.add(MaxPooling2D(2,2,'same')) # 池化層後64個特徵圖,7x7
# 把第二個池化層的輸出扁平化爲1維
model.add(Flatten())
# 第一個全連接層
model.add(Dense(1024,activation = 'relu'))
# Dropout
model.add(Dropout(0.5))
# 第二個全連接層
model.add(Dense(10,activation='softmax'))
# 定義優化器
adam = Adam(lr=1e-4)
# 定義優化器,loss function,訓練過程中計算準確率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
# 訓練模型
model.fit(x_train,y_train,batch_size=64,epochs=10)
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('test loss',loss)
print('test accuracy',accuracy)
參考:
視頻: 覃秉豐老師的“Keras入門”:http://www.ai-xlab.com/course/32
博客參考:https://www.cnblogs.com/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/