在本文中，我们使用tensorflow2.x实现了lenet-5，用于mnist的识别。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from tensorflow import keras

数据预处理

我们先载入mnist数据

(x_train, y_train),(x_test, y_test) = keras.datasets.mnist.load_data()

我们把特征数据增加一个纬度，用于LeNet5的输入：

print(x_train.shape, y_train.shape)
x_train = x_train.reshape(60000, 28, 28, 1)
x_test = x_test.reshape(10000, 28, 28, 1)
print(x_train.shape, y_train.shape)

(60000, 28, 28) (60000,)
(60000, 28, 28, 1) (60000,)

特征数据归一化：

x_train = x_train/255.0
x_test = x_test/255.0

标签做onehot:

y_train = np.array(pd.get_dummies(y_train))
y_test = np.array(pd.get_dummies(y_test))

构建模型

我们使用sequential构建LeNet-5模型：

model = keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(filters=6, kernel_size=(5,5), input_shape=(28,28,1), padding='same', activation='sigmoid'))
model.add(tf.keras.layers.AveragePooling2D(pool_size=(2,2)))
model.add(tf.keras.layers.Conv2D(filters=16, kernel_size=(5,5), padding='valid', activation='sigmoid'))
model.add(tf.keras.layers.AveragePooling2D(pool_size=(2,2)))
model.add(tf.keras.layers.Conv2D(filters=120, kernel_size=(5,5), padding='valid', activation='sigmoid'))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(84, activation='sigmoid'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

我们看一下模型的详细情况，包括每一层的输出大小，可训练参数数量，模型的总参数等。

model.summary()

Model: "sequential_9"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
conv2d_14 (Conv2D)           (None, 28, 28, 6)         156
_________________________________________________________________
average_pooling2d_10 (Averag (None, 14, 14, 6)         0
_________________________________________________________________
conv2d_15 (Conv2D)           (None, 10, 10, 16)        2416
_________________________________________________________________
average_pooling2d_11 (Averag (None, 5, 5, 16)          0
_________________________________________________________________
conv2d_16 (Conv2D)           (None, 1, 1, 120)         48120
_________________________________________________________________
flatten_2 (Flatten)          (None, 120)               0
_________________________________________________________________
dense_3 (Dense)              (None, 84)                10164
_________________________________________________________________
dense_4 (Dense)              (None, 10)                850
=================================================================
Total params: 61,706
Trainable params: 61,706
Non-trainable params: 0
_________________________________________________________________

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

print(x_train.shape, y_train.shape, x_test.shape, y_test.shape)

(60000, 28, 28, 1) (60000, 10) (10000, 28, 28, 1) (10000, 10)

训练模型

history = model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=10)

Epoch 1/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0638 - acc: 0.9805 - val_loss: 0.0618 - val_acc: 0.9801
Epoch 2/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0548 - acc: 0.9832 - val_loss: 0.0515 - val_acc: 0.9830
Epoch 3/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0480 - acc: 0.9851 - val_loss: 0.0727 - val_acc: 0.9763
Epoch 4/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0431 - acc: 0.9870 - val_loss: 0.0420 - val_acc: 0.9864
Epoch 5/10
1875/1875 [==============================] - 9s 5ms/step - loss: 0.0390 - acc: 0.9881 - val_loss: 0.0461 - val_acc: 0.9851
Epoch 6/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0347 - acc: 0.9889 - val_loss: 0.0394 - val_acc: 0.9866
Epoch 7/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0309 - acc: 0.9904 - val_loss: 0.0434 - val_acc: 0.9851
Epoch 8/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0279 - acc: 0.9908 - val_loss: 0.0373 - val_acc: 0.9879
Epoch 9/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0257 - acc: 0.9919 - val_loss: 0.0353 - val_acc: 0.9886
Epoch 10/10
1875/1875 [==============================] - 10s 5ms/step - loss: 0.0229 - acc: 0.9930 - val_loss: 0.0361 - val_acc: 0.9876

准确率可以打到98%以上。

保存模型

model.save('mnist.h5')

加载模型&预测

我们使用上面的模型对手写数字进行预测

import cv2
img = cv2.imread('3.png', 0)
plt.imshow(img)

<matplotlib.image.AxesImage at 0x7f602c0a07f0>

img = cv2.resize(img, (28,28))
img = img.reshape(1, 28, 28, 1)
img = img/255.0

my_model = tf.keras.models.load_model('mnist.h5')
predict = my_model.predict(img)
print(predict)
print(np.argmax(predict))

[[4.9507696e-09 7.0097293e-08 1.7773251e-06 9.9997258e-01 3.6114369e-091.9603556e-05 2.9246516e-10 1.3854858e-06 7.9077779e-07 3.7732302e-06]]
3

tensorflow综合示例7：LeNet-5实现mnist识别相关推荐

tensorflow综合示例3：对结构化数据进行分类：csv keras feature_column
文章目录 1.数据集 1.1 使用 Pandas 从csv创建一个 dataframe 1.2 将 dataframe 拆分为训练.验证和测试集 1.3 用 tf.data 创建输入流水线Datase ...
tensorflow综合示例1：tensorflow-keras的基本使用方式
import numpy as np import matplotlib.pyplot as plt import pandas as pd import tensorflow as tf from ...
tensorflow综合示例5：图象分割
本文主要内容来自: https://www.tensorflow.org/tutorials/images/segmentation?hl=zh-cn 图像分割这篇教程将重点讨论图像分割任务,使用的 ...
tensorflow综合示例4：逻辑回归：使用Estimator
文章目录 1.加载csv格式的数据集并生成Dataset 1.1 pandas读取csv数据生成Dataframe 1.2 将Dataframe生成Dataset 2.将数据封装成Feature co ...
tensorflow学习笔记（八）：LSTM手写体(MNIST)识别
文章目录一.LSTM简介二.主要函数三.LSTM手写体(MNIST)识别 1.MNIST数据集简介 2.网络描述 3.项目实战一.LSTM简介 LSTM是一种特殊的RNN,很好的解决了RNN中 ...
tensorflow学习笔记（七）：CNN手写体(MNIST)识别
文章目录一.CNN简介二.主要函数三.CNN的手写体识别 1.MNIST数据集简介 2.网络描述 3.项目实战一.CNN简介一般的卷积神经网络由以下几个层组成:卷积层,池化层,非线性激活函数 ...
make--变量与函数的综合示例自动生成依赖关系
一.变量与函数的示例示例的要求 1.自动生成target文件夹存放可执行文件 2.自动生成objs文件夹存放编译生成的目标文件 3.支持调试版本的编译选项 4.考虑代码的扩展性完成该示例所需的 1 ...
C结构体工具DirectStruct（综合示例二）
2019独角兽企业重金招聘Python工程师标准>>> C结构体工具DirectStruct(综合示例二) 1.编写定义文件,用工具dsc处理之,自动生成XML转换代码和ESQL代码 ...
QT综合示例：QT串口通信
QT综合示例:QT串口通信 0.界面: 1.代码: 如果用qt写程序作为上位机,然后通过和usb和下位机通信的时候,就需要用到qt中的串口通信了. 0.界面: 1.代码: 1).pro 添加: QT ...

tensorflow综合示例7：LeNet-5实现mnist识别

数据预处理

构建模型

训练模型

保存模型

加载模型&预测

tensorflow综合示例7：LeNet-5实现mnist识别相关推荐

最新文章

热门文章