手寫數字識別之卷積神經網絡版

參考代碼如下：

        import numpy
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Flatten
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.utils import np_utils
from keras import backend as K   # backend 是一個後端引擎，主要有三種：Theano/Tensorflow/CNTK
K.set_image_dim_ordering('th') # th與tf的區別就是參數填寫位置的區別: th(28,28,3), tf(3,28,28) 【3代表通道數，其他兩個參數代表圖片像素大小】
# 隨機種子確保結果可再現
seed = 7
numpy.random.seed(seed)
# 加載數據
(X_train, y_train), (X_test, y_test) = mnist.load_data() # X_train 代表一張圖片，y_train 代表圖片對應的數字；X_test 代表一張圖片，y_test 代表圖片對應的數字

# 重新改變大小爲： [樣本數目][通道數][圖片寬][圖片高]
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28).astype('float32')
# 將灰度值0-255範圍歸一化映射爲0-1之間
X_train = X_train / 255
X_test = X_test / 255

# 模型的輸出是對每個類別的打分預測，對於分類結果從0-9的每個類別都有一個預測分值，表示將模型輸入預測爲該類的概率大小，概率越大可信度越高。
# 由於原始的數據標籤是0-9的整數值，通常將其表示成0ne-hot向量。如第一個訓練數據的標籤爲5，one-hot表示爲[0,0,0,0,0,1,0,0,0,0]。
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
num_classes = y_test.shape[1] # y_test.shape(10000,10)
# 定義模型函數
def baseline_model():
    # 創建模型
    model = Sequential()
    # 設置模型參數
    model.add(Conv2D(32, (5, 5), input_shape=(1, 28, 28), activation='relu')) # 32個filter ,每個filter大小爲5 x 5；單通道，圖片大小28 x 28
    model.add(MaxPooling2D(pool_size=(2, 2))) # 最大池化矩陣 2 x 2，池化的最主要作用就是壓縮數據和參數。
    model.add(Dropout(0.3))  # 控制需要斷開的鏈接的比例，可以減輕過擬合現象，一般設爲0.3或者0.5。
    model.add(Flatten())# Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連接層的過渡。
    model.add(Dense(128, activation='relu')) # 全連接層128個單元
    model.add(Dense(num_classes, activation='softmax')) # 輸出層只能爲10個單元
    # 編譯模型
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) #選擇了交叉編譯，Adam優化器
    return model
# 開始編譯模型
model = baseline_model()
# 訓練模型
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=200, verbose=2)

# 評估模型
loss , scores = model.evaluate(X_test, y_test, verbose=1)

# 輸出Loss值和評分
print("Loss: ", loss)
print("scores: ", scores)
Train on 60000 samples, validate on 10000 samples
Epoch 1/10
 - 6s - loss: 0.2400 - acc: 0.9314 - val_loss: 0.0837 - val_acc: 0.9740
Epoch 2/10
 - 6s - loss: 0.0779 - acc: 0.9765 - val_loss: 0.0482 - val_acc: 0.9843
Epoch 3/10
 - 6s - loss: 0.0560 - acc: 0.9827 - val_loss: 0.0431 - val_acc: 0.9861
Epoch 4/10
 - 6s - loss: 0.0433 - acc: 0.9866 - val_loss: 0.0423 - val_acc: 0.9857
Epoch 5/10
 - 6s - loss: 0.0363 - acc: 0.9883 - val_loss: 0.0333 - val_acc: 0.9884
Epoch 6/10
 - 6s - loss: 0.0301 - acc: 0.9906 - val_loss: 0.0310 - val_acc: 0.9893
Epoch 7/10
 - 6s - loss: 0.0246 - acc: 0.9922 - val_loss: 0.0316 - val_acc: 0.9888
Epoch 8/10
 - 6s - loss: 0.0232 - acc: 0.9927 - val_loss: 0.0296 - val_acc: 0.9896
Epoch 9/10
 - 6s - loss: 0.0195 - acc: 0.9937 - val_loss: 0.0284 - val_acc: 0.9906
Epoch 10/10
 - 6s - loss: 0.0164 - acc: 0.9949 - val_loss: 0.0282 - val_acc: 0.9911
10000/10000 [==============================] - 1s 85us/step
Loss:  0.0281819745783
scores:  0.9911