重庆市园林建设有限公司网站,如何选择做网站的公司,seo课程培训,做网站创业怎么样昨天通过keras构建简单神经网络实现手写数字识别#xff0c;结果在最后进行我们自己的手写数字识别的时候#xff0c;准确率堪忧#xff0c;只有60%。今天通过卷积神经网络来实现手写数字识别。 构建卷积神经网络和简单神经网络思路类似#xff0c;只不过这里加入了卷积、池… 昨天通过keras构建简单神经网络实现手写数字识别结果在最后进行我们自己的手写数字识别的时候准确率堪忧只有60%。今天通过卷积神经网络来实现手写数字识别。 构建卷积神经网络和简单神经网络思路类似只不过这里加入了卷积、池化等概念网络结构复杂了一些但是整体的思路没有变化加载数据集数据集修改搭建网络模型编译模型训练模型保存模型利用模型预测。 这里还是给出两个例子一个是构建网络最后保存训练好的网络模型一个是通过加载保存的网络模型预测我们自己的手写数字图片。
import keras
import numpy as np
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout, Conv2D, Flatten, MaxPool2D
from tensorflow.keras import datasets, utils
# 数据处理
(x_train, y_train), (x_test, y_test) datasets.mnist.load_data()
x_train x_train.reshape(x_train.shape[0], x_train.shape[1], x_train.shape[1], 1)
x_train x_train.astype(float32) / 255
x_test x_test.reshape(x_test.shape[0], x_test.shape[1], x_test.shape[1], 1)
x_test x_test.astype(float32) / 255
y_train utils.to_categorical(y_train, num_classes10)
y_test utils.to_categorical(y_test, num_classes10)
# 构建模型
model Sequential()
model.add(Conv2D(filters16, kernel_size(3, 3), paddingsame, activationrelu, input_shape(28, 28, 1)))
model.add(MaxPool2D(pool_size(2, 2)))
model.add(Conv2D(filters36, kernel_size(3, 3), paddingsame, activationrelu))
model.add(MaxPool2D(pool_size(2, 2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128, activationrelu))
model.add(Dropout(0.25))
model.add(Dense(10, activationsoftmax))
# 编译
model.compile(losscategorical_crossentropy, optimizeradam, metrics[accuracy])
model.summary()
# 训练
model.fit(x_train, y_train, epochs5, batch_size128, validation_data(x_test, y_test))
# 保存模型
model.save(mnist.h5)训练模型打印信息如下
Model: sequential
_________________________________________________________________Layer (type) Output Shape Param #
conv2d (Conv2D) (None, 28, 28, 16) 160 max_pooling2d (MaxPooling2D (None, 14, 14, 16) 0 ) conv2d_1 (Conv2D) (None, 14, 14, 36) 5220 max_pooling2d_1 (MaxPooling (None, 7, 7, 36) 0 2D) dropout (Dropout) (None, 7, 7, 36) 0 flatten (Flatten) (None, 1764) 0 dense (Dense) (None, 128) 225920 dropout_1 (Dropout) (None, 128) 0 dense_1 (Dense) (None, 10) 1290
Total params: 232,590
Trainable params: 232,590
Non-trainable params: 0
_________________________________________________________________
Epoch 1/5
2023-08-28 16:03:54.677314: I tensorflow/stream_executor/cuda/cuda_dnn.cc:368] Loaded cuDNN version 8800
469/469 [] - 10s 17ms/step - loss: 0.2842 - accuracy: 0.9123 - val_loss: 0.0628 - val_accuracy: 0.9798
Epoch 2/5
469/469 [] - 7s 16ms/step - loss: 0.0836 - accuracy: 0.9743 - val_loss: 0.0473 - val_accuracy: 0.9841
Epoch 3/5
469/469 [] - 7s 16ms/step - loss: 0.0627 - accuracy: 0.9801 - val_loss: 0.0325 - val_accuracy: 0.9886
Epoch 4/5
469/469 [] - 7s 15ms/step - loss: 0.0497 - accuracy: 0.9844 - val_loss: 0.0346 - val_accuracy: 0.9882
Epoch 5/5
469/469 [] - 7s 15ms/step - loss: 0.0422 - accuracy: 0.9867 - val_loss: 0.0298 - val_accuracy: 0.9898 准确率最后到达了98.5%以上。 用模型预测
import keras
import numpy as np
import cv2
from keras.models import load_modelmodel load_model(mnist.h5)def predict(img_path):img cv2.imread(img_path, 0)img img.reshape(28, 28).astype(float32) / 255 # 0 1img img.reshape(1, 28, 28, 1) # 28 * 28 - (1,28,28,1)label model.predict(img)label np.argmax(label, axis1)print({} - {}.format(img_path, label[0]))if __name__ __main__:for _ in range(10):predict(number_images/b_{}.png.format(_))数字图片如下 图片放在项目目录number_images中。 预测结果打印 感觉就是不一样准确率从60%提升到了90%。虽然没有达到100%但是已经很好了。 对比之前的代码改动很小主要是网络输入的时候数据形状发生了改变简单神经网络需要的是784*结构卷积神经网络需要的是128281的结构 在数据处理上做了调整另一个不一样的地方就是网络模型在添加的时候之前就是简单的两层网络卷积神经网络复杂了很多。
