深度学习|Keras识别MNIST手写数字（一）

2019-01-09 本文已影响3人罗罗攀

数据和方法

MNIST数据集是收集的手写字体，为单色图像，共有训练集60000项，测试数据集10000项。
建模方法我们使用最简单的神经网络模型，多层感知器（MLP）。

数据下载和处理

数据下载

Keras已经提供了模块用于下载数据，通过一下代码即可完成下载。

### 首先导入程序所需要的库
import numpy as np
import pandas as pd
from keras.utils import np_utils
np.random.seed(10)
from keras.datasets import mnist

(X_train,y_train),(X_test,y_test) = mnist.load_data()   #下载数据

我们可以看下数据的长度。

通过matplotlib绘制图片看看数据长什么样子~

数据处理

数据处理大概分为以下几步：

图片是28X28，我们要转换为一维的，这样才可以作为我们的输入层。
图片标准化
label值换为one-hot编码，做为输出层。

代码：

X_train = X_train.reshape(60000,784).astype('float32')
X_test = X_test.reshape(10000,784).astype('float32')

X_train = X_train/255
X_test = X_test/255

y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)

MLP建模

模型结构

输入层为784（28×28）个神经元，隐层256个，输出层为10。

建立模型

导入相应的库，建立Sequential模型，然后模型加入Dense神经网络层（全连接）。具体代码如下：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=256, 
                input_dim=784, 
                kernel_initializer='normal', 
                activation='relu'))
model.add(Dense(units=10, 
                kernel_initializer='normal', 
                activation='softmax'))

我们可以通过summary查看模型的摘要：

训练模型

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

train_history = model.fit(x=X_train,
                         y=y_train,validation_split=0.2, 
                         epochs=10, batch_size=200,verbose=2)

对训练模型进行可视化：