卷积神经网络（CNN）实现mnist手写数字识别_设计一个卷积神经网络,实现mnist手写数字识别

活动地址：CSDN21天学习挑战赛

 

首先来了解一下

什么是TensorFlow ？

TensorFlow 是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库。

​其命名来源于本身的原理，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算。Tensorflow运行过程就是张量从图的一端流动到另一端的计算过程。张量从图中流过的直观图像是其取名为“TensorFlow”的原因。

张量Tensor：在数学上，张量是N维向量，这意味着张量可以用来表示N维数据集。

计算图(流, flow)：流是指一个计算图或简单的一个图，图不能形成环路，图中的每个节点代表一个操作，如加法、减法等。每个操作都会导致新的张量形成。

只要能够将计算表示成为一个数据流图，那么就可以使用TensorFlow。如这个图不就是个神经网络嘛，所以使用TensorFlow框架。 

什么是Keras？

Keras是基于TensorFlow或者Theano框架下的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。

tf.keras和keras的联系

基于同一套API，但是因为tf.keras中比keras多出了一点特殊的功能，所以可以轻松的将keras程序迁移到tf.keras中，但是tf.keras中的代码并不是全能移动到keras中运行。

规范是相同的，模型导出的格式也是相同的。

 keras.layers模块

TensorFlow的layers模块提供用于深度学习的更高层次封装的API，利用它可以轻松地构建模型。tf.layers模块提供的方法有：

 参数介绍： TensorFlow之神经网络layers模块详解_Never-Giveup的博客-CSDN博客_神经网络layer

 Keras.moleds.Sequential模型

Sequential 模型结构： 层（layers）的线性堆栈。简单来说，它是一个简单的线性结构，没有多余分支，是多个网络层的堆叠。

• 其中，Dense是一个全连接层，它的激活函数默认为是linear线性函数
• 激活函数可以通过 单独的激活层 实现，也可以通过 构建层时传递activation实现

 一、读取数据

Keras提供了数据集加载函数

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

 查看数据维度

train_images.shape
test_images.shape
train_labels.shape
test_labels.shape
'''
((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
'''

 可以看到训练集有60000个28*28的图片，60000个标签，测试集有10000个28*28的图片，10000个标签。

plt.imshow(train_images[0])

 查看一下图片是一张图片

train_images[0]

 查看一下其取值

 查看其最大取值为多少

print(np.max(train_images))
print(np.min(train_images))
 
#255
#0

 那么其取值范围是[0 , 255]之间。

二、数据预处理

1、在数据预处理时，首先采用reshape函数将每个图像矩阵扁平化成一个向量：

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))
 
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
"""
输出：((60000, 28, 28, 1), (10000, 28, 28, 1), (60000,), (10000,))
"""

2、数据归一化，将输入值[0,255]归一化为[0,1]的取值范围：

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0

3、数据可视化

plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
plt.show()

三、构建CNN神经网络模型

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),#卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    
    layers.Flatten(),                              #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),		   #全连接层，特征进一步提取
    layers.Dense(10)                               #输出层，输出预期结果
])
# 打印网络结构
model.summary()

 四、确定学习的目标

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

compile函数设置了学习的目标，其中：

loss：定义了损失函数，

optimizer：指定了优化算法，

metrics：是评价指标

五：模型训练

这里设置输入训练数据集（图片及标签）、验证数据集（图片及标签）以及迭代次数epochs

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

六、模型评估

调用evaluate函数对测试集进行评估，返回数组score，其中第一维是模型的损失值，第二维是模型评估的精度。

score= model.evaluate(test_images,test_labels)
print("Test loss:",score[0])
print("Test accuracy:",score[1])

七、模型的预测

输出第一张测试集的预测结果

plt.imshow(test_images[1])
pre = model.predict(test_images) # 对所有测试图片进行预测
pre[1] # 输出第一张图片的预测结果

可以看到在第三个位置的值最大，所以预测的是2

得到预测结果：

np.argmax([pre[1]])
#2

 查看标签

test_labels[1]
#2

预测正确

大家注意收看

>- 本文为[

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家小花儿/article/detail/214948