十二 Keras卷积神经网络实例（手写数字识别）

数据处理

import tensorflow as tf
import keras
from keras import layers

下载数据集（用)

import keras.datasets.mnist as mnist
(train_image, train_label), (test_image, test_label) = mnist.load_data()

查看训练集

train_image.shape

训练集是60000张28*28像素的图片组成

图像的数据的shape
hight width channel(黑白图像是1，彩色图像是3）

conv2d 要求数据是一个高 宽 channel 形状的图像
conv2d:图片输入形状：batch(有多少张图片) ，高，宽， channel
为了给conv2d输入图像，我们需要将图片扩宽一个用来表示channel的维度
dense：图片输入形状：batch(有多少张图片) ，data

train_image = np.expand_dims(train_image, axis=-1) ##axis=-1表示在最后一个维度上扩增

此时再看训练集图像形状

在这里插入代码片

此时变为一个四维数据形状
测试集也扩宽维度

test_image = np.expand_dims(test_image, axis=-1)

初始化模型

model = keras.Sequential()

添加层，构建网络

##卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1), name='conv_1'))
##64个卷积核，体现在channel会从变为64，（3，3）是卷积核大小为3*3，卷积函数relu，输入数据形状填后三个维度
model.add(layers.Conv2D(64, (3, 3), activation='relu', name='conv_2'))
##添加第二层就不用填输入形状了
##池化层
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
##MaxPooling2D默认就可以，这一行也可以写model.add(layers.MaxPooling2D(pool_size=()))
##数据扁平化变成二维形状从而输入到layers层
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu', name='dense_1'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax', name='dense_2'))

model.summary()

可以看到第一层网络输出为（26，26，64），卷积核不能被28整除，所以图像会减小一些
可以看到第一层网络输出为（24，24，64），卷积核不能被28整除，所以图像会减小一些
第三层池化操作输出为（12，12，64）
第四层扁平化操作将三维数据变为二维数据
第五层Dense
第六层Droupout层
第七层Dense层输出10个单元

编译模型

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',##对应的label是0123456789顺序编码所以用这个
              metrics=['accuracy'])

训练模型

model.fit(train_image, train_label, epochs=3, batch_size=512)

训练时间花费很长时间,超过三次

模型评估及预测

model.evaluate(test_image, test_label)

测试集上的准确率也很高，比之前的Dense要高.

model.evaluate(test_image, test_label)

测试集上准确率也很高
预测前十张图片

np.argmax(model.predict(test_image[:10]), axis=1)

实际前十张图片

test_label[:10]

可以看出结果预测全对
argmax() :

 np.argmax(model.predict(test_image[:10]), axis=1)

表示输出前十张图片中，每张图片对应的最大概率值的索引。

网络优化

1： 增加卷积层
2：增加卷积核个数

model = keras.Sequential()
model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_image, train_label, epochs=10, batch_size=512)

model.evaluate(test_image, test_label)

测试集准确率变大

注意：层数过大也会导致训练太慢，反向传播效果变弱。