1）手写数据集

手写数据集是深度学习中，最基础应用最广泛的数据集。

手写数据集内置在keras中

import keras
from keras import layers
import matplotlib. pyplot as plt
import numpy as np
import keras.datasets.mnist as mnist# 1）加载数据集
(train_image, train_label),(test_image,test_label) = mnist.load_data()# 2）验证数据集的性质
train_image.shape，train_label.shape
test_image.shape, test_label.shape
plt.imshow(train_image[0])# 3）初始化一个模型
model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
# 建立全链接层， 使用relu激活
model.add(layers.Dense(64, activation='relu'))
# 添加一个分类层，使用softmax激活。输出0-9是个数字，所以单元数为10
model.add(layers.Dense(10, activation='softmax'))# 4）编译模型
# 当label是顺序编码的时候，计算交叉熵是 sparse_categorical_crossentropy
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])# 5）训练模型
model.fit(train_image, train_label, epochs=50, batch_size=512)
# batch_size = 512, 一个batch一个batch的去训练，不是将所有数据拿进去训练
# 原因：计算机的性能或者说计算机的内存容量在处理大型数据的时候，比如说图片数据的时候，
# 将全部数据加载进去，可能会引起内存爆炸。model.evaluate(train_image,train_label)
model.evaluate(test_image,test_label)# 预测test数据集的前10张图片
model.predict(test_image[:10])
# 预测的
np.argmax(model.predict(test_image[:10]),axis=1)
# 实际的
test_label[:10]# 模型的优化   -----  进行过拟合
model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])model.fit(train_image,train_label,epochs=50,batch_size=512, validation_data=(test_image,test_label))# 模型的再优化   ---- 增加过拟合
model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])model.fit(train_image,train_label,epochs=200,batch_size=512, validation_data=(test_image,test_label))

2）代码分析：

1、验证数据集特性：

train_image.shape, train_label.shape

、

test_image.shape,test_label.shape

plt.imshow(train_image[0])

2、初始化模型

model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
# 建立全链接层， 使用relu激活
model.add(layers.Dense(64, activation='relu'))
# 添加一个分类层，使用softmax激活。输出0-9是个数字，所以单元数为10
model.add(layers.Dense(10, activation='softmax'))

3、编译模型

# 当label是顺序编码的时候，计算交叉熵是 sparse_categorical_crossentropy
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])

4、训练模型

model.fit(train_image, train_label, epochs=50, batch_size=512)

batch_size = 512, 一个batch（批次）一个batch（批次）的去训练，不是将所有数据拿进去训练
原因：计算机的性能或者说计算机的内存容量在处理大型数据的时候，比如说图片数据的时候，
将全部数据加载进去，可能会引起内存爆炸。

5、预测模型

# 预测test数据集的前10张图片
model.predict(test_image[:10])
# 预测的
np.argmax(model.predict(test_image[:10]),axis=1)
# 实际的
test_label[:10]

预测的

实际的

发现，倒数第三位预测错误了。7 和9长得比较像

3）模型的优化

1、初始化模型

添加多个隐藏层 --- 增加网络容量直到过拟合

# 模型的优化   -----  进行过拟合
model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
model.add(layers.Dense(64, activation='relu'))# 多添加的两个隐藏层
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(64, activation='relu'))model.add(layers.Dense(10, activation='softmax'))

2、编译模型

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])

3、训练模型

model.fit(train_image,train_label,epochs=50,batch_size=512, validation_data=(test_image,test_label))

参数 “ validation_data ” 在训练过程中观察其在测试数据集上的表现

4）模型的再优化与抑制过拟合

添加DropOut层抑制过拟合

# 模型的再优化   ---- 增加过拟合
model = keras.Sequential()
model.add(layers.Flatten()) #(60000, 28, 28)  ----> (600000, 28*28)
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])model.fit(train_image,train_label,epochs=200,batch_size=512, validation_data=(test_image,test_label))

# 后续工作：继续增大网络容量，直到过拟合

参考《3.8 网络参数选择的总原则》

4.1 keras基础实例手写数字识别相关推荐

使用tf.keras搭建mnist手写数字识别网络
使用tf.keras搭建mnist手写数字识别网络目录使用tf.keras搭建mnist手写数字识别网络 1.使用tf.keras.Sequential搭建序列模型 1.1 tf.keras.Se ...
TensorFlow高阶 API: keras教程-使用tf.keras搭建mnist手写数字识别网络
TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字识别网络目录 TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字 ...
深度学习入门实例——基于keras的mnist手写数字识别
本文介绍了利用keras做mnist数据集的手写数字识别. 参考网址 http://www.cnblogs.com/lc1217/p/7132364.html mnist数据集中的图片为28*28的单 ...
1、基于Keras、Mnist手写数字识别数据集构建全连接（FC）神经网络训练模型
文章目录前言一.MNIST数据集是什么? 二.构建神经网络训练模型 1.导入库 2.载入数据 3.数据处理 4.创建模型 5.编译模型 6.训练模型 7.评估模型三.总代码前言提示: 1.本 ...
keras框架实现手写数字识别
详细细节可学习从零开始神经网络:keras框架实现数字图像识别详解! 代码实现: [1] ''' 将训练数据和检测数据加载到内存中(第一次运行需要下载数据,会比较慢): (mnist是手写数据集) t ...
Multi-class Classication （多分类问题）实例--手写数字识别
本实例整理自斯坦福机器学习课程课后练习ex3 本例是对一个手写体的数据集(0-9)进行分类,也就是对原有的数据集进行训练,然后给定一个手写体,识别该手写体是数字几.其分类思想就是之前Andrew Ng ...
【TensorFlow-windows】keras接口——卷积手写数字识别，模型保存和调用
前言上一节学习了以TensorFlow为底端的keras接口最简单的使用,这里就继续学习怎么写卷积分类模型和各种保存方法(仅保存权重.权重和网络结构同时保存) 国际惯例,参考博客: 官方教程 [注] ...
caffe（4）：mnist实例---手写数字识别
深度学习的第一个实例一般都是mnist,只要这个例子完全弄懂了,其它的就是举一反三的事了.由于篇幅原因,本文不具体介绍配置文件里面每个参数的具体函义,如果想弄明白的,请参看我以前的博文: 数据层及参数 ...
tensorflow2.0基础操作-手写数字识别实战
import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, ...

4.1 keras基础实例手写数字识别

1）手写数据集

2）代码分析：

1、验证数据集特性：

2、初始化模型

3、编译模型

4、训练模型

5、预测模型

3）模型的优化

1、初始化模型

2、编译模型

3、训练模型

4）模型的再优化与抑制过拟合

# 后续工作：继续增大网络容量，直到过拟合

4.1 keras基础实例手写数字识别相关推荐

最新文章

热门文章

4.1 keras基础实例 手写数字识别

1）手写数据集

2）代码分析：

1、验证数据集特性：

2、初始化模型

3、编译模型

4、训练模型

5、预测模型

3）模型的优化

1、初始化模型

2、编译模型

3、训练模型

4）模型的再优化与抑制过拟合

# 后续工作：继续增大网络容量，直到过拟合

4.1 keras基础实例 手写数字识别相关推荐

最新文章

热门文章

4.1 keras基础实例手写数字识别

4.1 keras基础实例手写数字识别相关推荐