基于感知机的手写体识别

对于手写体的识别，我采用的是keras来实现的，首先搭建一个单层感知机的模型来训练，来观察其模型的预测效果。

学习步骤如下：

源码：

from keras.datasets import mnist
import matplotlib.pyplot as plt
import numpy as np
from keras.utils import np_utils
from keras.layers.core import Dense,Activation,Dropout  #从keras中导入layers模块，为搭建全连接层做好准备
from keras.models import Sequential  #从keras中导入sequential模块(X_train,Y_train),(X_test,Y_test)=mnist.load_data()
print(X_train.shape)
print(Y_train.shape)
print(X_test.shape)
print(Y_test.shape)
def plot_image(image):  #输入参数为imagefig=plt.gcf()  #获取当前图像fig.set_size_inches(2, 2)  #设置图片大小plt.imshow(image,cmap="binary")  #使用plt_imshow显示图片plt.show()#开始绘图
#plot_image(X_train[0])
X_test1=X_test   #备注未经处理的测试数据
Y_test1=Y_test #备注未经处理的测试标签
X_train=X_train.reshape(60000,784)#将28*28的二维数据转化成784的一维向量
X_test=X_test.reshape(10000,784) #将28*28的二维数据转化为784的一维向量
##转化成浮点型，该一维向量由784个0——255的浮点数组成，大部分为0，少部分有数字，数字大小代表图形每个点灰度深浅、
#接下来对一维向量的数字进行归一化，使每个数值范围都在0-1内
X_train=X_train.astype("float")
X_test=X_test.astype("float")
#print(X_train[0])
X_train=X_train/255
X_test=X_test/255
#print(X_train[0])#①接下来一步搞定图形数据的预处理
#X_train=X_train.reshape(60000,784).astype("float")/255
#X_test=X_test.reshape(10000,784).astype("float")/255#②标签数据的预处理
print(Y_train[:3])
#对数据进行一位有效编码
#编码位数为十位，对应分类的类别数目
N_classses=10
Y_train=np_utils.to_categorical(Y_train,N_classses)
Y_test=np_utils.to_categorical(Y_test,N_classses)
#print(Y_train[:3])#③搭建单层感知机网络
model=Sequential()
model.add(Dense(N_classses,input_dim=784))
model.add(Activation("softmax"))
model.summary()#④编译和训练，选择损失函数，优化算法，设置评估模型标准
model.compile(loss="categorical_crossentropy",#损失函数选择交叉熵函数optimizer ="adam",   #优化选择器adam或者sgdmetrics=["accuracy"]    #以准确率（accura）评估模型训练结果
)#⑤训练网络
N_epoch=20
Batch_size=128
Validation_split=0.2
training=model.fit(X_train,Y_train,   #输入训练集和标签batch_size=Batch_size,  #设置每次处理数据集的个数epochs=N_epoch,  #设置迭代次数validation_split=Validation_split,  #设置验证集的比率0.2verbose=2   #日志显示，0代表不在标准输入输出日志信息，1代表输出进度记录，2代表每次迭代输出一行记录且无进度条记录)#⑥训练好的网络进行测试集评估
Test =model.evaluate(X_test,Y_test,verbose=1)
print("测试误差：",Test[0])
print("准确度：",Test[1])#⑦预测
prediction=model.predict_classes(X_test)  #X_test已经进行编码处理了
def pre_result(i):plot_image(X_test1[i])print("Y_test:",Y_test1[i])print("预测结果：",prediction[i])
pre_result(0)

运行结果：

下面是多层感知机的手写体识别

该模型有一个输入层有784个神经元，两个隐藏层都有1000个神经元，一个输出层有10个神经元，使用了dropout()函数减少过拟合现象。

学习过程如上一样。

源码如下：

from keras.models import Sequential
from keras.datasets import mnist
from keras.layers.core import Dense,Dropout,Activation
import numpy as np
from keras.utils import np_utils
import matplotlib.pyplot as plt
(X_train,Y_train),(X_test,Y_test)=mnist.load_data()
def plot_image(image):fig=plt.gcf()fig.set_size_inches(2,2)plt.imshow(image,cmap="binary")plt.show()N_classses=10
X_test1=X_test
Y_test1=Y_test
X_train=X_train.reshape(60000,784).astype("float32")/255
X_test=X_test.reshape(10000,784).astype("float32")/255
Y_test=np_utils.to_categorical(Y_test,N_classses)
Y_train=np_utils.to_categorical(Y_train,N_classses)#print(Y_train[0])
model=Sequential()
model.add(Dense(1000,input_dim=784))  #输入层为784个神经元，输入层所连接的第一个隐藏层有1000个神经元
model.add(Activation("relu"))
model.add(Dropout(0.5))model.add(Dense(1000)) #第二个隐藏层
model.add(Activation("relu"))
model.add(Dropout(0.5))model.add(Dense(10))  #输出层有10个神经元，激活函数softmax
model.add(Activation("softmax"))model.summary()#网络编译
model.compile(loss="categorical_crossentropy",   #损失函数optimizer="adam",  #优化器选择adammetrics=["accuracy"]  #以准确率评估模型训练结果)
#网络训练
N_epochs=20
Batch_size = 128
Validation = 0.2
training =model.fit(X_test,Y_train,batch_size=Batch_size,epochs=N_epochs,validation_split=Validation,verbose=2
)#评估
Test =model.evaluate(X_test,Y_test,verbose=1)
print("误差：",Test[0])
print("准确率：",Test[1])#预测
prediction=model.predict_classes(X_test)  #预测所有的数据
def pre_result(i):plot_image(X_test1[i])print("Y_test:",Y_test1[i])print("预测值：",prediction[i])  #预测值
pre_result(0)
pre_result(1)

综上多层感知机的对于手写体识别预测不是很好，单层感知机对于手写体识别的预测较好。

基于感知机的手写体识别相关推荐

基于CNN的手写体识别与GUI系统设计（新手快进来！）
目录 1. 写在前面 2. 环境搭建 3. 卷积神经网络 4. 数字手写体识别实现 1. 写在前面这是我的本科毕设,今天终于差不多降完重了哈哈,总共耗时一个半月,写完赶紧趁热打铁来记录一下整 ...
【深度学习】基于Keras的手写体识别
from keras import models from keras import layers from keras.datasets import mnist# 搭建网络 network = m ...
【FPGA】基于HLS的全连接神经网络手写体识别
目录一系统分析 1.1 全连接神经网络简介二通过HLS 编写全连接神经网络传入权重参数和偏置参数文件 2.1 获得图片.权重以及偏置的参数 2.2 编写C语言的全连接算子 2.3 Slave ...
基于matlab的手写体数字识别系统,基于matlab的手写体数字识别系统研究
基于matlab的手写体数字识别系统研究丁禹鑫1,丁会2,张红娟2,杨彤彤1 [摘要]随着科学技术的发展,机器学习成为一大学科热门领域,是一门专门研究计算机怎样模拟或实现人类的学习行为的交叉学科.文 ...
基于matlab的手写体数字识别系统
摘要:随着科学技术的发展,机器学习成为一大学科热门领域,是一门专门研究计算机怎样模拟或实现人类的学习行为的交叉学科.文章在matlab软件的基础上,利用BP神经网络算法完成手写体数字的识别. 机器学习 ...
MNIST | 基于k-means和KNN的0-9数字手写体识别
MNIST | 基于k-means和KNN的0-9数字手写体识别 1 背景说明 2 算法原理 3 代码实现 3.1 文件目录 3.2 核心代码 4 实验与结果分析 5 后记概要: 本实验是在实验&q ...
MNIST | 基于朴素贝叶斯分类器的0-9数字手写体识别
MNIST | 基于朴素贝叶斯分类器的0-9数字手写体识别 1 背景说明 2 关于数据集 2.1 什么是MNIST 2.2 数据集处理 3 代码实现 3.1 文件目录 3.2 核心代码 3.3 注意点 ...
基于MATLAB的手写体数字识别算法的实现
基于MATLAB的手写体数字识别一.课题介绍手写数字识别是模式识别领域的一个重要分支,它研究的核心问题是:如何利用计算机自动识别人手写在纸张上的阿拉伯数字.手写体数字识别问题,简而言之就是识别出1 ...
笔记：基于keras的不同神经网络模型Minst手写体识别
基于keras的不同神经网络模型MNIST手写体识别 1.CNN版 1.导入数据相关库(导入plt是为了看数据集的图) import keras from keras.datasets import ...

基于感知机的手写体识别

基于感知机的手写体识别相关推荐

最新文章

热门文章