Keras入門實戰（1） MNIST手寫數字分類

2021-09-01 05:56:54 字數 3062 閱讀 6925

目錄

1)首先我們載入keras中的資料集

2）網路架構

3）選擇編譯(compile引數)

4）準備影象資料

5) 訓練模型

6）測試資料

前面的部落格中已經介紹了如何在ubuntu下安裝keras深度學習框架。

現在我們使用 keras 庫來學習手寫數字分類。

我們這裡要解決的問題是：將手寫數字的灰度影象（28 畫素×28 畫素）劃分到 10 個類別 中（0~9）。我們將使用 mnist 資料集，它是機器學習領域的乙個經典資料集，其歷史幾乎和這 個領域一樣長，而且已被人們深入研究。這個資料集包含 60 000 張訓練影象和 10 000 張測試圖 像，由美國國家標準與技術研究院（national institute of standards and technology，即 mnist 中 的 nist）在 20 世紀 80 年代收集得到。你可以將「解決」mnist 問題看作深度學習的「hello world」。下圖為mnist影象數字樣本：

keras已經包含了很多資料集，我們本例子中的資料集也包含在其中：

[1]

from keras.datasets import mnist


(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
我們來看一下訓練集資料：

[2]

train_images.shape
(60000, 28, 28)
這裡顯示的是我們有60000個訓練樣本，其中每個樣本是28x28畫素的影象。

[3]

train_labels
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
這是訓練集的標籤。

接下來的工作流程如下：

[4]

from keras import models


from keras import layers


​network = models.sequential()


network.add(layers.dense(512, activation='relu', input_shape=(28 * 28,)))


network.add(layers.dense(10, activation='softmax'))
神經網路的核心元件是層（layer），它是一種資料處理模組，你可以將它看成資料過濾器。 進去一些資料，出來的資料變得更加有用。具體來說，層從輸入資料中提取表示——我們期望這種表示有助於解決手頭的問題。大多數深度學習都是將簡單的層鏈結起來，從而實現漸進式 的資料蒸餾（data distillation）。深度學習模型就像是資料處理的篩子，包含一系列越來越精細的資料過濾器（即層）。

本例中的網路包含 2 個 dense 層，它們是密集連線（也叫全連線）的神經層。第二層（也是最後一層）是乙個 10 路 softmax 層，它將返回乙個由 10 個概率值（總和為 1）組成的陣列。每個概率值表示當前數字影象屬於 10 個數字類別中某乙個的概率。

其中用到的主要有以下三個引數：

[5]

network.compile(optimizer='rmsprop',


loss='categorical_crossentropy',


metrics=['accuracy'])
在開始訓練之前，我們將對資料進行預處理，將其變換為網路要求的形狀，並縮放到所有值都在 [0, 1] 區間。比如，之前訓練影象儲存在乙個 uint8 型別的陣列中，其形狀為 (60000, 28, 28)，取值區間為 [0, 255]。我們需要將其變換為乙個 float32 陣列，其形狀為 (60000, 28 * 28)，取值範圍為 0~1。

[6]

train_images = train_images.reshape((60000, 28 * 28))


train_images = train_images.astype('float32') / 255


​test_images = test_images.reshape((10000, 28 * 28))


test_images = test_images.astype('float32') / 255
我們還需要對標籤進行分類編碼。

[7]

from keras.utils import to_categorical


train_labels = to_categorical(train_labels)


test_labels = to_categorical(test_labels)
現在我們準備開始訓練網路，在 keras 中這一步是通過呼叫網路的 fit 方法來完成 。

[8]

network.fit(train_images, train_labels, epochs=5, batch_size=128)
訓練過程中會顯示兩個數字：乙個是網路在訓練資料上的損失（loss），另乙個是網路在 訓練資料上的精度（acc）。 現在我們來檢查一下模型在測試集上的效能。

這樣乙個簡單的全連線神經網路模型，精度為97%。第乙個例子到這裡就結束了。你剛剛看到了如何構建和訓練乙個神經網路，用不到 20 行的 python **對手寫數字進行分類。接下來我們需要學習張量（輸入網路的資料儲存物件）、張量運算（層的組成要素）和梯度下降（可以讓網路從訓練樣本中進行學習）。

人工智慧學習（1）MNIST入門

好久沒有用到tensorflow了，把機器學習和深度學習扔了有一年了，今天撿起來發現自己還是如此有興趣，決定從頭開始學習的過程中來重新撿起快遺忘的知識。首先開始 從mnist手寫識別開始，我是通過tensorflow中文社群的教程學習的，總結一下這個過程中遇到的問題。tensorflow已經出到2....

caffe實踐程式1 mnist任務總結

一般來說，跑乙個資料集需要以下步驟 1 把資料集轉換成leveldb格式。例子 教程中的get mnist.sh 是得到2個mnist data檔案，乙個用於訓練，乙個用於測試，而後create mnist.sh是利用caffe master build examples mnist 的conver...

Keras入門級實戰 MNIST手寫體識別

手寫體識別 這裡要解決的問題是，將手寫數字的灰度影象 28 畫素 28 畫素 劃分到 10 個類別 中 0 9 這個資料集包含 60 000 張訓練影象和 10 000 張測試圖 像，由美國國家標準與技術研究院 national institute of standards and technolo...