mnist.py.tar.gz_CNN 手写数据集_keras_mnist.py_python_手写数字

# coding: utf-8 # In[1]: #资料预处理 from keras.datasets import mnist from keras.utils import np_utils import numpy as np np.random.seed(10) # In[2]: (x_train, y_train),(x_test,y_test) = mnist.load_data() #读取MNIST资料 # In[4]: #将features（数字影像特征值）以reshape转换为6000*28*28*1的4维矩阵 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') # In[5]: #将features标准化，可以提高模型预测的准确度，并且更快收敛 x_train4D_normalize = x_train4D / 255 x_test4D_normalize = x_test4D / 255 # In[8]: #使用np_utils.to_categorical, 将训练资料集与测试的label,进行 Onehot encoding 转换 y_trainOneHot = np_utils.to_categorical(y_train) y_testOneHot = np_utils.to_categorical(y_test) # In[10]: #建立模型 from keras.models import Sequential from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D # In[11]: #建立keras的Sequential模型（线性堆积模型），后续只需要使用model.add()方法，将各神经网络层加入模型即可 model = Sequential() # In[13]: #建立卷积层1. #输入的数字影像是28*28大小，执行第一次卷积运算，会产生16个影像，卷积运算并不会改变影像大小，所以仍然是28*28大小。 model.add(Conv2D(filters=16, kernel_size=(5,5), padding='same',#补零 input_shape=(28,28,1), activation='relu')) # In[14]: #建立池化层 #输入参数pool_size=(2,2),执行第一次缩减取样，将16个28*28影像，缩小为16个14*14的影像。 model.add(MaxPooling2D(pool_size=(2,2))) # In[15]: #建立卷积层2. #输入的数字影像是28*28大小，执行第2次卷积运算，将原本16个的影像，转换为36个影像，卷积运算并不会改变影像大小，所以仍然是14*14大小。 model.add(Conv2D(filters=36, kernel_size=(5,5), padding='same',#补零 activation='relu')) # In[16]: #建立池化层2 #输入参数pool_size=(2,2),执行第2次缩减取样，将36个14*14影像，缩小为36个7*7的影像。 model.add(MaxPooling2D(pool_size=(2,2))) # In[17]: #加入Dropout(0.25)层至模型中。其功能是，每次训练迭代时，会随机的在神经网络中放弃25%的神经元，以避免overfitting。 model.add(Dropout(0.25)) # In[19]: #建立平坦层 #之前的步骤已经建立池化层2，共有36个7*7影像，转换为1维的向量，长度是36*7*7=1764，也就是1764个float数字，正好对应到1764个神经元。 model.add(Flatten()) # In[21]: #建立隐藏层，共有128个神经元 model.add(Dense(128,activation='relu')) # In[22]: #加入Dropout(0.5)层至模型中。其功能是，每次训练迭代时，会随机的在神经网络中放弃50%的神经元，以避免overfitting。 model.add(Dropout(0.5)) # In[23]: #建立输出层 #共有10个神经元，对应到0-9共10个数字。并且使用softmax激活函数进行转换，softmax可以将神经元的输出，转换为预测每一个数字的几率。 model.add(Dense(10,activation='softmax')) # In[24]: #查看模型的摘要 print(model.summary()) # In[26]: #进行训练 #定义训练方式 #在模型训练之前，我们必须使用compile方法，对训练模型进行设定 model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy']) # In[27]: #开始训练 train_history=model.fit(x=x_train4D_normalize, y=y_trainOneHot,validation_split=0.2, epochs=10,batch_size=300,verbose=2) # In[32]: #画出accuracy执行结果 #之前训练步骤，会将每一个训练周期的accuracy与loss，记录在train_history。 import matplotlib.pyplot as plt def show_train_history(train_history,train,validation): plt.plot(train_history.history[train]) plt.plot(train_history.history[validation]) plt.title('Train History') plt.ylabel(train) plt.xlabel('Epoch') plt.legend(['train','validation'],loc='upper left') plt.show() # In[35]: show_train_history(train_history,'acc','val_acc') # In[36]: #画出loss误差执行结果 show_train_history(train_history,'loss','val_loss') # In[37]: #用test评估模型准确度 scores = model.evaluate(x_test4D_normalize,y_testOneHot) scores[1] # In[40]: #进行预测 prediction=model.predict_classes(x_test4D_normalize) # In[41]: #预测结果 prediction[:10] # In[54]: #显示前10笔预测结果 def plot_images_labels_prediction(images,labels,prediction,idx,num=10): fig = plt.gcf() fig.set_size_inches(12,14) if num>25: num =25 for i in range(0,num): ax = plt.subplot(5,5,1+i) ax.imshow(images[idx], cmap='binary') title = "label="+str(labels[idx]) if len(prediction)>0: title+=",predict="+str(prediction[idx]) ax.set_title(title,fontsize=10) ax.set_xticks([]) ax.set_yticks([]) idx+=1 plt.show() # In[55]: plot_images_labels_prediction(x_test,y_test,prediction,idx=0) # In[56]: #显示混淆矩阵 import pandas as pd pd.crosstab(y_test,prediction, rownames=['label'],colnames=['predict'])