keras—多层感知器MLP—MNIST手写数字识别

　　一、手写数字识别

现在就来说说如何使用神经网络实现手写数字识别。 在这里我使用mind manager工具绘制了要实现手写数字识别需要的模块以及模块的功能： 
神经网络思维导图

其中隐含层节点数量（即神经细胞数量）计算的公式（这只是经验公式，不一定是最佳值）：  

m=n+l−−−−√+am=n+l+a 
m=log2nm=log2⁡n 
m=nl−−√m=nl 
  • m: 隐含层节点数
  • n: 输入层节点数
  • l：输出层节点数
  • a：1-10之间的常数

本例子当中：

  • 输入层节点n：784
  • 输出层节点：10 （表示数字 0 ~ 9）

  • 隐含层选30个，训练速度虽然快，但是准确率却只有91% 左右，如果将这个数字变为100 或是300，其训练速度回慢一些

    ，但准确率可以提高到93%~94% 左右。

    因为这是使用的MNIST的手写数字训练数据，所以它的图像的分辨率是28 * 28，也就是有784个像素点，其下载地址为：http://yann.lecun.com/exdb/mnist/

    二、查看数据程序

  • 48000作为训练数据，12000作为验证数据，10000作为预测数据
  •  1 #coding=utf-8
 2 import numpy as np             #导入模块，numpy是扩展链接库
 3 import pandas as pd             #类似一个本地的excel，偏向现在的非结构化的数据库
 4 import tensorflow as tf
 5 import keras
 6 from keras.utils import np_utils
 7 np.random.seed(10)            #设置seed可以产生的随机数据
 8 from keras.datasets import mnist  #导入模块，下载读取mnist数据
 9 (x_train_image,y_train_label),
10 (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
11 print('train data=',len(x_train_image))
12 print('test data=',len(x_test_image))
13 print('x_train_image:',x_train_image.shape)
14 print('y_train_label:',y_train_label.shape) #查看数据
15 import matplotlib.pyplot as plt
16 def plot_image(image):                      #定义显示函数
17     fig=plt.gcf()
18     fig.set_size_inches(2,2)           #设置显示图形的大小
19     plt.imshow(image,cmap='binary')    #黑白灰度显示
20     plt.show()                         #开始画图
21 y_train_label[0]                       #查看第0项label数据
22 import matplotlib.pyplot as plt
23 def plot_image_labels_prediction(image,lables,prediction,idx,num=10):#显示多项数据
24     fig=plt.gcf()
25     fig.set_size_inches(12,14)        #设置显示图形的大小
26     if num>25:num=25
27     for i in range(0,num):            #画出num个数字图形
28         ax=plt.subplot(5,5,i+1)       #建立subplot字图形为5行5列
29         ax.imshow(image[idx],cmap='binary')   #画出subgraph
30         title="lable="+str(lables[idx])       #设置字图形title，显示标签字段
31         if len(prediction)>0:                 #如果传入了预测结果
32             title+=",predict="+str(prediction[idx])     #标题
33         ax.set_title(title,fontsize=10)                 #设置字图形的标题
34         ax.set_xticks([]);ax.set_yticks([])             #设置不显示刻度
35         idx+=1                               #读取下一项
36     plt.show()
37 plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)#查看训练数据前10项
38 plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)  #查看测试数据前10项

      

    三、运行结果



  • 四、训练预测识别程序

  •  1 #coding=utf-8
 2 #1.数据预处理
 3 import numpy as np             #导入模块，numpy是扩展链接库
 4 import pandas as pd
 5 import tensorflow
 6 import keras
 7 from keras.utils import np_utils
 8 np.random.seed(10)            #设置seed可以产生的随机数据
 9 from keras.datasets import mnist  #导入模块，下载读取mnist数据
10 (x_train_image,y_train_label),
11 (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
12 print('train data=',len(x_train_image))
13 print('test data=',len(x_test_image))
14 print('x_train_image:',x_train_image.shape)
15 print('y_train_label:',y_train_label.shape)
16 import matplotlib.pyplot as plt
17 def plot_image(image):
18     fig=plt.gcf()
19     fig.set_size_inches(2,2)
20     plt.imshow(image,cmap='binary')
21     plt.show()
22 y_train_label[0]
23 import matplotlib.pyplot as plt
24 def plot_image_labels_prediction(image,lables,prediction,idx,num=10):
25     fig=plt.gcf()
26     fig.set_size_inches(12,14)
27     if num>25:num=25
28     for i in range(0,num):
29         ax=plt.subplot(5,5,i+1)
30         ax.imshow(image[idx],cmap='binary')
31         title="lable="+str(lables[idx])
32         if len(prediction)>0:
33             title+=",predict="+str(prediction[idx])
34         ax.set_title(title,fontsize=10)
35         ax.set_xticks([]);ax.set_yticks([])
36         idx+=1
37     plt.show()
38 plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)
39 plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)
40 x_Train=x_train_image.reshape(60000,784).astype('float32') #以reshape转化成784个float
41 x_Test=x_test_image.reshape(10000,784).astype('float32')
42 x_Train_normalize=x_Train/255    #将features标准化
43 x_Test_normalize=x_Test/255
44 y_Train_OneHot=np_utils.to_categorical(y_train_label)#将训练数据和测试数据的label进行one-hot encoding转化
45 y_Test_OneHot=np_utils.to_categorical(y_test_label)
46 #2.建立模型
47 from keras.models import Sequential #可以通过Sequential模型传递一个layer的list来构造该模型,序惯模型是多个网络层的线性堆叠
48 from keras.layers import Dense    #全连接层
49 model=Sequential()
50 #建立输入层、隐藏层
51 model.add(Dense(units=256,
52                 input_dim=784,
53                 kernel_initializer='normal',
54                 activation='relu'))
55 #建立输出层
56 model.add(Dense(units=10,
57                 kernel_initializer='normal',
58                 activation='softmax'))
59 print(model.summary())
60 #3、进行训练
61 #对训练模型进行设置，损失函数、优化器、权值
62 model.compile(loss='categorical_crossentropy',
63               optimizer='adam',metrics=['accuracy'])
64 # 设置训练与验证数据比例，80%训练，20%测试，执行10个训练周期，每一个周期200个数据，显示训练过程2次
65 train_history=model.fit(x=x_Train_normalize,
66                         y=y_Train_OneHot,validation_split=0.2,
67                         epochs=10,batch_size=200,verbose=2)
68 #显示训练过程
69 import matplotlib.pyplot as plt
70 def show_train_history(train_history,train,validation):
71     plt.plot(train_history.history[train])
72     plt.plot(train_history.history[validation])
73     plt.title('Train History')
74     plt.ylabel(train)
75     plt.xlabel('Epoch')
76     plt.legend(['train','validation'],loc='upper left')    #显示左上角标签
77     plt.show()
78 show_train_history(train_history,'acc','val_acc')   #画出准确率评估结果
79 show_train_history(train_history,'loss','val_loss') #画出误差执行结果
80 #以测试数据评估模型准确率
81 scores=model.evaluate(x_Test_normalize,y_Test_OneHot)   #创建变量存储评估后的准确率数据，（特征值，真实值）
82 print()
83 print('accuracy',scores[1])
84 #进行预测
85 prediction=model.predict_classes(x_Test)
86 prediction
87 plot_image_labels_prediction(x_test_image,y_test_label,prediction,idx=340)
     

  • 五、运行结果

  • 评估模型准确率结果为：0.9754

  •  

  • 预测结果：有一个潦草的5预测错误为3
萍水相逢逢萍水，浮萍之水水浮萍!
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/AIBigTruth/p/9661874.html