1.手写数字数据集
- from sklearn.datasets import load_digits
- digits = load_digits()
digits = load_digits() x_data = digits.data.astype(np.float32) y_data = digits.target.astype(np.float32).reshape(-1, 1) # 将y变为一列
2.图片数据预处理
- x：归一化MinMaxScaler()
- y：独热编码OneHotEncoder()或to_categorical
- 训练集测试集划分
- 张量结构
# 图片数据预处理 # x : 归一化 # 将属性缩放到一个指定的最大和最小值（通常是1-0之间） scaler = MinMaxScaler() x_data = scaler.fit_transform(x_data) print(x_data) x = x_data.reshape(-1, 8, 8, 1) # 转换为图片格式 # y : 独热编码OneHotEncoder()或to_categorical y = OneHotEncoder().fit_transform(y_data).todense() # 训练集测试集划分 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0, stratify=y) print(x_train.shape, x_test.shape, y_train.shape, y_test.shape)
结构如下：
3.设计卷积神经网络结构
- 绘制模型结构图，并说明设计依据。
模型图：
# 设计卷积神经网络结构 # 建立模型 model = Sequential() ks = [3, 3] # 卷积核大小 # 一层卷积，输入数据的shape要指定，其它层的数据shape框架会自动推导 model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=x_train.shape[1:], activation='relu')) # 池化层 model.add(MaxPool2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 二层卷积 model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu')) # 池化层 model.add(MaxPool2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 三层卷积 model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu')) # 四层卷积 model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu')) # 池化层 model.add(MaxPool2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 平坦层 model.add(Flatten()) # 全连接层 model.add(Dense(128, activation='relu')) model.add(Dropout(0.25)) # 激活函数 model.add(Dense(10, activation='softmax')) model.summary()
模型结果：
4.模型训练
# 模型训练 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) train_history = model.fit(x=x_train, y=y_train, validation_split=0.2, batch_size=300, epochs=10, verbose=2) # 定义训练参数可视化 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() # 准确率 show_train_history(train_history, 'accuracy', 'val_accuracy') # 损失率 show_train_history(train_history, 'loss', 'val_loss')
可视化结果：
准确率：
损失率：
5.模型评价
- model.evaluate()
- 交叉表与交叉矩阵
- pandas.crosstab
- seaborn.heatmap
# 模型评价 # 模型评估 score = model.evaluate(x_test, y_test)[1] print('模型准确率=',score) # 预测值 y_pre = model.predict_classes(x_test) y_pre[:10] # 交叉表和交叉矩阵 y_test1 = np.argmax(y_test, axis=1).reshape(-1) y_true = np.array(y_test1)[0] y_true.shape # 交叉表查看预测数据与原数据对比 pd.crosstab(y_true, y_pre, rownames=['true'], colnames=['predict']) # 交叉矩阵 y_test1 = y_test1.tolist()[0] a = pd.crosstab(np.array(y_test1), y_pre, rownames=['Lables'], colnames=['predict']) df = pd.DataFrame(a) print(df) sns.heatmap(df, annot=True, cmap="Reds", linewidths=0.2, linecolor='G')
模型准确率以及交叉矩阵：
热力图结果：
