手写数字识别mnist

文章目录

手写数字识别mnist
- 一、前言
- 二、环境配置
- 三、代码如下
- 四、配置环境过程
- - 1、打开Anaconda Prompt
  - - a、创建一个叫MNIST4的环境
    - b、创建成功后激活环境并下载keras包：
    - c、下载matplotlib包
    - d、下载tensorflow包
  - 2、打开Pycharm配置
- 五、运行程序

一、前言

在实现手写数字识别的时候，我看到csdn上检索的手写数字识别有一些繁杂，可是作为AL世界的Hello World，这是不合理的，代码本来就不复杂。
繁杂的操作和图片有点让人生畏，所以我决定有必要重写一下程序、记录一下过程。

下面是一些国内的pip源，有需要可自取

阿里云 http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

豆瓣(douban) http://pypi.douban.com/simple/

清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

二、环境配置

软件：ANACONDA3+Pycharm2019

keras>=2.7；
tensorflow>=1.7
注：一定关掉科学上网

三、代码如下

#第一步：加载keras中的mnist集
from keras.datasets import mnist
(train_images, train_labels),(test_images, test_labels) = mnist.load_data()print(train_images.shape)#查看效果的，这两步可以忽略
print(test_images.shape)#第二步：建立网络架构，
from keras import models
from keras import layers
#层layer就像数据处理的筛子
#本例子含有两个Dense层，最后是一个10路的激活层softmax层，返回一个由10个概率值组成的数组，表示10个数字类别中某一个的概率
network=models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))#第三步：编译
#optimizer 优化器，loss损失函数，metrics代码级数据监控
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])#第四步：准备图像数据和标签
train_images = train_images.reshape((60000, 28 * 28))#图像处理
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255#通过二维关系矩阵的方式，生成一个对应关系
from keras.utils.all_utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)#第五步：拟合（FIT）模型
network.fit(train_images,train_labels,batch_size=64,epochs=5)#第六步：评估（EVALUATE）模型
test_loss,test_acc=network.evaluate(test_images,test_labels)#第七步：查看测试集的精度
print('test_acc',test_acc)
#训练精度和测试精度之间的这种差距是过拟合（overfit）造成的

以下是跑通这个程序的过程。如果清楚这些步骤的过程可以略过下面

四、配置环境过程

1、打开Anaconda Prompt

a、创建一个叫MNIST4的环境

conda create -n MNIST4 python=3.8

注：记得python=3.8，大了就下载不了tensorflow包了

b、创建成功后激活环境并下载keras包：

conda activate MNIST4

为了提高下载速度，在国内清华源中下载keras包

pip install keras -i https://pypi.tuna.tsinghua.edu.cn/simple/

c、下载matplotlib包

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

d、下载tensorflow包

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple/

2、打开Pycharm配置

配置代码运行环境

注：这里刷新出来的时候比较长，需要等等
之后一路点击确认下去

五、运行程序

将开头的程序copy进pycharm的程序中

这样就训练成功了。

手写数字识别mnist相关推荐

GAN变种ACGAN利用手写数字识别mnist生成手写数字
1.摘要本文主要讲解:GAN变种ACGAN利用手写数字识别mnist数据集进行训练,最终生成手写数字图片主要思路: Initialize generator and discriminator I ...
Pytorch实战1：LeNet手写数字识别 (MNIST数据集)
版权说明:此文章为本人原创内容,转载请注明出处,谢谢合作! Pytorch实战1:LeNet手写数字识别 (MNIST数据集) 实验环境: Pytorch 0.4.0 torchvision 0.2. ...
Keras搭建CNN（手写数字识别Mnist）
MNIST数据集是手写数字识别通用的数据集,其中的数据是以二进制的形式保存的,每个数字是由28*28的矩阵表示的. 我们使用卷积神经网络对这些手写数字进行识别,步骤大致为: 导入库和模块我们导入Se ...
Python 手写数字识别 MNIST数据集下载失败
目录一.MNIST数据集下载失败 1 失败的解决办法(经验教训): 2 亲测有效的解决方法: 一.MNIST数据集下载失败场景复现:想要pytorch+MINIST数据集来实现手写数字识别,首先就 ...
使用Pytorch实现手写数字识别(Mnist数据集)
目标知道如何使用Pytorch完成神经网络的构建知道Pytorch中激活函数的使用方法知道Pytorch中torchvision.transforms中常见图形处理函数的使用知道如何训练模型和 ...
tensorflow实现手写数字识别(MNIST)
手写数字图片数字集机器学习需要从数据中间学习,因此首先需要采集大量的真实样本数据.以手写的数字图片识别为例,我们需要收集大量的由真人书写的0-9的数字图片,为了便于存储和计算,一般把收集 ...
keras库的安装及使用，以全连接层和手写数字识别MNIST为例
1.什么是keras 什么是keras? keras以TensorFlow和Theano作为后端封装,是一个专门用于深度学习的python模块. 包含了全连接层,卷积层,池化层,循环层,嵌入层等等等, ...
手写数字识别MNIST数据集下载百度网盘链接快速下载
介绍 MNIST数据集是机器学习领域中非常经典的一个数据集,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片. 下载官方链接:http://ya ...
linux手写数字识别,mnist手写数字识别与图片预处理
用户mnist训练了一个模型,想用自己的图片进行测试,需要将自己的图片进行预处理为mnist需要的1*784的二维张量. 因为MNIST数据是28*28的黑底白字图像,而且输入时要将其拉直,也就是可以 ...
莫烦keras学习代码二（手写数字识别MNIST classifier CNN版）
知道了CNN的原理,同样是只要将之前用tensorflow写的几个建立网络的函数用keras的更简单的方法替换就行. 训练结果: 用Sequential().add()添加想要的层,添加卷积层就用Co ...

手写数字识别mnist

手写数字识别mnist

文章目录

一、前言

二、环境配置

三、代码如下

四、配置环境过程

1、打开Anaconda Prompt

a、创建一个叫MNIST4的环境

b、创建成功后激活环境并下载keras包：

c、下载matplotlib包

d、下载tensorflow包

2、打开Pycharm配置

五、运行程序

手写数字识别mnist相关推荐

最新文章

热门文章