前言： Hello大家好，我是Dream。 今天来学习一下如何基于mnist数据集取得最高的识别准确率，本文是从零开始的，如有需要可自行跳至所需内容~

本文目录：

- 1.调用库函数
- 2.调用数据集
- 3.选择模型，构建网络
- 4.编译
- 5.数据增强
- 6.训练
- 7.画出图像
- 8.输出
- 9.结果
源码获取

说明：在此试验下，我们使用的是使用tf2.x版本，在jupyter环境下完成
在本文中，我们将主要完成以下这个任务：

基于mnist数据集，尽量取得更好的识别准确率。注意，要使用非训练集内容，通过evaluate方法得出准确率

1.调用库函数

import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.layers import Conv2D,MaxPooling2D,BatchNormalization,Flatten,Dense

指定当前程序使用的 GPU

# 指定当前程序使用的 GPU
gpus = tf.config.experimental.list_physical_devices('GPU')
for gpu in gpus:tf.config.experimental.set_memory_growth(gpu, True)

2.调用数据集

# 调用数据集
(train_X, train_y),(test_X, test_y) = tf.keras.datasets.mnist.load_data()
train_X, test_X = train_X / 255.0, test_X / 255.0

train_X = train_X.reshape(-1, 28, 28, 1)
train_y = tf.keras.utils.to_categorical(train_y)
X_train, X_test, y_train, y_test = train_test_split(train_X, train_y, test_size=0.1, random_state=0)

3.选择模型，构建网络

在此我们使用的是CNN网络，以此搭建Conv2D层、MaxPooling2D层网络

# 选择模型，构建网络
model = tf.keras.Sequential()
model.add(Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1))),  #添加Conv2D层
model.add(Conv2D(64, (3, 3), activation='relu')),  #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层
model.add(BatchNormalization()),model.add(Conv2D(128, (3, 3), activation='relu')),  #添加Conv2D层
model.add(Conv2D(128, (3, 3), activation='relu')),  #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层
model.add(BatchNormalization()),model.add(Conv2D(256, (3, 3), activation='relu')),  #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层
model.add(BatchNormalization()),model.add(Flatten()),  #展平
model.add(Dense(512, activation='relu')),
model.add(Dense(10, activation='softmax'))

4.编译

使用交叉熵作为loss函数，指定优化器、损失函数和验证过程中的评估指标

# 编译（使用交叉熵作为loss函数）
model.compile(optimizer='adam',  #指定优化器loss="categorical_crossentropy",   #指定损失函数metrics=['accuracy'])   #指定验证过程中的评估指标
# 展示训练的过程
display(model.summary())

这里是输出的结果：

5.数据增强

在这里我们使用数据增强方法，更好的提高准确率

# 数据增强
datagen = ImageDataGenerator(rotation_range=15,zoom_range = 0.01,width_shift_range=0.1,height_shift_range=0.1)
train_gen = datagen.flow(X_train, y_train, batch_size=128)
test_gen = datagen.flow(X_test, y_test, batch_size=128)

6.训练

首先我们批量输入的样本个数，然后经过我们测试分析，此模型训练到30轮之前变化趋于静止，我们可以只进行30个epoch。

# 批量输入的样本个数
batch_size = 128
train_steps = X_train.shape[0] // batch_size
valid_steps = X_test.shape[0] // batch_size# 经过我们测试分析，此模型训练到30轮之前变化趋于静止，我们可以只进行30个epoch
es = tf.keras.callbacks.EarlyStopping(monitor="val_accuracy",patience=10,verbose=1,mode="max",restore_best_weights=True)rp = tf.keras.callbacks.ReduceLROnPlateau(monitor="val_accuracy",factor=0.2,patience=5,verbose=1,mode="max",min_lr=0.00001)# 训练（训练30个epoch）
history = model.fit(train_gen,epochs = 30,steps_per_epoch = train_steps,validation_data = test_gen,validation_steps = valid_steps,callbacks=[es, rp])

这里是输出的结果：

7.画出图像

使用plt模块进行数据可视化处理

# 画出图像
fig, ax = plt.subplots(2,1, figsize=(14, 10))
ax[0].plot(history.history['loss'], color='red', label="Loss")
ax[0].legend(loc='best', shadow=False)
ax[1].plot(history.history['accuracy'], color='red', label="Accuracy")
ax[1].legend(loc='best', shadow=False)
plt.show()

这里是输出的结果：

8.输出

最后在测试集上进行模型评估，输出测试集上的预测准确率

score = model.evaluate(X_test, y_test) # 在测试集上进行模型评估
print('测试集预测准确率:', score[1]) # 打印测试集上的预测准确率

这里是输出的结果：

9.结果

最后的结果：mnist数据集最终的准确率是: 0.996833

源码获取

关注此公众号：人生苦短我用Pythons，回复 神经网络实验获取源码，快点击我吧

神经网络--基于mnist数据集取得最高的识别准确率相关推荐

神经网络——实现MNIST数据集的手写数字识别
由于官网下载手写数字的数据集较慢,因此提供便捷下载地址如下手写数字的数据集MNIST下载:https://download.csdn.net/download/gaoyu1253401563/108 ...
机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）
机器学习Tensorflow基于MNIST数据集识别自己的手写数字(读取和测试自己的模型)
[Pytorch系列-41]：卷积神经网络 - 模型参数的恢复/加载 - 搭建LeNet-5网络与MNIST数据集手写数字识别
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
[转载] 卷积神经网络做mnist数据集识别
参考链接: 卷积神经网络在mnist数据集上的应用 Python TensorFlow是一个非常强大的用来做大规模数值计算的库.其所擅长的任务之一就是实现以及训练深度神经网络. 在本教程中,我们将学到 ...
基于Python实现的卷积神经网络分类MNIST数据集
卷积神经网络分类MNIST数据集目录人工智能第七次实验报告 1 卷积神经网络分类MNIST数据集 1 一 .问题背景 1 1.1 卷积和卷积核 1 1.2 卷积神经网络简介 2 1.3 卷积神经网 ...
基于Python实现的神经网络分类MNIST数据集
神经网络分类MNIST数据集目录神经网络分类MNIST数据集 1 一 .问题背景 1 1.1 神经网络简介 1 前馈神经网络模型: 1 1.2 MINST 数据说明 4 1.3 TensorFlo ...
GAN生成对抗网络基本概念及基于mnist数据集的代码实现
本文主要总结了GAN(Generative Adversarial Networks) 生成对抗网络的基本原理并通过mnist数据集展示GAN网络的应用. GAN网络是由两个目标相对立的网络构成的,在 ...
DL之CNN可视化：利用SimpleConvNet算法【3层,im2col优化】基于mnist数据集训练并对卷积层输出进行可视化
DL之CNN可视化:利用SimpleConvNet算法[3层,im2col优化]基于mnist数据集训练并对卷积层输出进行可视化导读利用SimpleConvNet算法基于mnist数据集训练并对卷 ...
基于MNIST数据集的最优参数的方法的比较
前面章节我们知道神经网络的目的是寻找最优参数,介绍了四种以及两种改进的方法来寻找最优参数,并画图进行了比较,具体可参阅神经网络技巧篇之寻找最优参数的方法https://blog.csdn.net/w ...

神经网络--基于mnist数据集取得最高的识别准确率

本文目录：

1.调用库函数

2.调用数据集

3.选择模型，构建网络

4.编译

5.数据增强

6.训练

7.画出图像

8.输出

9.结果

源码获取

神经网络--基于mnist数据集取得最高的识别准确率相关推荐

最新文章

热门文章