python卷积神经网络手写数字识别_TensorFlow.js 卷积神经网络手写数字识别

源码

demo

调整训练集的大小, 观察测试结果的准确性

数据来源

数据来源与 https://www.kaggle.com 中的一道题目 digit-recognizer

题目给出42000条训练数据(包含图片和标签)以及28000条测试数据(只包含图片)

要求给这些测试数据打上标签[0,1,2,3....,9] 要尽可能的准确

网站中还有许多其他的机器学习的题目以及数据, 是个很好的练手的地方

实现

这里我们使用TensorFlow.js来实现这个项目

创建模型

卷积神经网络的第一层有两种作用, 它既是输入层也是执行层, 接收IMAGE_H * IMAGE_W大小的黑白像素

最后一层是输出层, 有10个输出单元, 代表着0-9这十个值的概率分布, 例如 Label=2 , 输出为[0.02,0.01,0.9,...,0.01]

function createConvModel() {

const model = tf.sequential();

model.add(tf.layers.conv2d({

inputShape: [IMAGE_H, IMAGE_W, 1],

kernelSize: 3,

filters: 16,

activation: 'relu'

}));

model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));

model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: 'relu' }));

model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));

model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: 'relu' }));

model.add(tf.layers.flatten({}));

model.add(tf.layers.dense({ units: 64, activation: 'relu' }));

model.add(tf.layers.dense({ units: 10, activation: 'softmax' }));

return model;

}

训练模型

我们选择适当的优化器和损失函数, 来编译模型

async function train() {

ui.trainLog('Create model...');

model = createConvModel();

ui.trainLog('Compile model...');

const optimizer = 'rmsprop';

model.compile({

optimizer,

loss: 'categoricalCrossentropy',

metrics: ['accuracy'],

});

const trainData = Data.getTrainData(ui.getTrainNum());

ui.trainLog('Training model...');

await model.fit(trainData.xs, trainData.labels, {});

ui.trainLog('Completed!');

ui.trainCompleted();

}

测试

这里测试一组测试数据, 返回对应的标签, 即十个输出单元中概率最高的下标

function testOne(xs){

if(!model){

ui.viewLog('Need to train the model first');

return;

}

ui.viewLog('Testing...');

let output = model.predict(xs);

ui.viewLog('Completed!');

output.print();

const axis = 1;

const predictions = output.argMax(axis).dataSync();

return predictions[0];

}

欢迎关注我的博客公众号