15 手写数字识别-小数据集

1.手写数字数据集

from sklearn.datasets import load_digits

digits = load_digits()

 

2.图片数据预处理

x：归一化MinMaxScaler()

y：独热编码OneHotEncoder()或to_categorical

将分类特征的每个元素转化为一个可以用来计算的值

训练集测试集划分

张量结构

 

 

3.设计卷积神经网络结构

绘制模型结构图，并说明设计依据。

 1 # 导入相关包
 2 # sequential设计层数
 3 from tensorflow.keras.models import Sequential
 4 from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D
 5 
 6 #建立模型
 7 model=Sequential()
 8 
 9 ks=(3,3)
10 ips=X_train.shape[1:]
11 
12 #一层卷积
13 model.add(
14     Conv2D(filters=16,          # 卷积核的个数
15            kernel_size=ks,     # 卷积核大小
16            padding='same',     # 保证卷积核大小，不够不算
17            input_shape=ips,    
18            activation='relu')) # activation: 激活函数，'relu','sigmoid'等
19 
20 #池化层1
21 model.add(MaxPool2D(pool_size=(2,2)))
22 model.add(Dropout(0.25))
23 
24 #二层卷积
25 model.add(
26     Conv2D(filters=32,kernel_size=ks,padding='same',activation='relu'))
27 
28 #池化层2
29 model.add(MaxPool2D(pool_size=(2,2)))
30 model.add(Dropout(0.25))
31 
32 #三层卷积
33 model.add(
34     Conv2D(filters=64,kernel_size=ks,padding='same',activation='relu'))
35 
36 #池化层3
37 model.add(MaxPool2D(pool_size=(2,2)))
38 model.add(Dropout(0.25))
39 
40 model.add(Flatten()) #平坦层
41 model.add(Dense(128,activation='relu')) #dense全连接层
42 model.add(Dropout(0.25))
43 model.add(Dense(10,activation='softmax')) #激活函数  softmax分类
44 
45 model.summary()

4.模型训练

• model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
• train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)

 

5.模型评价

model.evaluate()

交叉表与交叉矩阵

pandas.crosstab

从交叉表可见：少部分数字被预测错了

seaborn.heatmap