网站的链接结构响应式网站用什么工具做

人工智能学习概述—快手视频
人工智能学习32-Keras手写体识别—快手视频
人工智能学习32-Keras手写体识别—快手视频
人工智能学习32-Keras手写体识别—快手视频
人工智能学习32-Keras手写体识别—快手视频
人工智能学习32-Keras手写体识别—快手视频

#从keras.layers 导入 2维卷积层，全连接层，最大池化层，拉平层，漏失层，最大平均池
化层 
from keras.layers import Conv2D, Dense, MaxPooling2D, Flatten, Dropout, 
GlobalAveragePooling2D 
#从keras.datasets 引入 mnist 数据集，已经标注过的数据集 
from keras.datasets import mnist 
#引入keras顺序模型Sequential 
from keras import Sequential 
import keras 
#引入numpy类库，方便矩阵操作 
import numpy as np 
#引入图形类库，方便图形显示 
import matplotlib.pyplot as plt 
#引入os操作系统类库，操作本地文件和目录 
import os 
#避免多库依赖警告信息 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' 
#设置神经网络模型存储目录，当前python源文件所在目录上一级下的saved_models目录 
save_dir = '../saved_models' 
#如果目录saved_models不存在，新建此目录 
if not os.path.isdir(save_dir): 
os.makedirs(save_dir) 
#神经网络模块名称 
model_name = 'numpred_keras_trained_model.h5' 
#设置神经网络分类数量，0-9个数字需要10个分类 
num_classes = 10 
#小批量训练时设置每次训练样品批量 
batch_size = 128 
#网络训练次数，一次前向传递和一次反馈成为一个epoch 
epochs = 10 
#手写体图片高和宽，像素数 
img_rows, img_cols = 28, 28 
#输入手写体图片维度数，高*宽*通道数=28*28*1，灰度图通道数为1，彩色图(RGB)通道数
为3 
input_shape = (img_rows, img_cols, 1) 
#从数据集mnist装入训练数据集和测试数据集，mnist提供load_data方法 
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
#灰度图编码范围0-255，将编码归一化，转化为0-1之间数值 
x_train = x_train.astype('float32') / 255.0 
x_test = x_test.astype('float32') / 255.0 
#将训练数据集和测试数据集转化为张量(batch,height,width,channel) 
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) 
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) 
#将训练和测试标注数据转化为张量(batch,num_classes) 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 
#定义Keras顺序模型Sequential 
model = Sequential() 
#添加二维卷积层，通道为32，核函数3*3,激活函数Relu，输入张量(28,28,1) 
model.add(Conv2D(filters=32, 
kernel_size=(3, 
input_shape=input_shape)) 
#添加二维卷积层,通道为64，核函数3*3，激活函数Relu 
3), 
activation='relu', 
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu')) 
#添加最大池化，核大小(2*2) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
#添加Dropout漏失层，漏失比例20% 
model.add(Dropout(rate=0.2)) 
#添加拉平层，将张量拉平为一维向量 
model.add(Flatten()) 
#添加Dropout漏失层，漏失比例50% 
model.add(Dropout(rate=0.5)) 
#添加全连接层，输出尺寸128维向量，激活函数为Relu 
model.add(Dense(units=128, activation='relu')) 
#添加输出层，输出尺寸10维向量，激活函数为Softmax，将输入图片映射为0-9个数字 
model.add(Dense(num_classes, activation='softmax')) 
#编译模型，损失函数采用交叉熵,优化器采用Adadelta,获取统计数据为准确率 
model.compile(loss=keras.losses.categorical_crossentropy, 
optimizer=keras.optimizers.Adadelta(), metrics=['acc']) 
#显示网络层次结构 
model.summary() 
#训练模型 
#x_train 为训练数据集，y_train为训练数据集标注结果 
#batch_size 为小批量训练每次训练样品数，epochs为训练次数 
#verbose=1 为输出训练过程信息 
# validation_data=(x_test,y_test)是测试数据集，目录为衡量模型预测准确率 
model.fit(x_train, y_train, 
batch_size=batch_size, 
epochs=epochs, 
verbose=1, 
validation_data=(x_test, y_test) 
) 
#神经网络模型保持目录 
model_path = os.path.join(save_dir, model_name) 
#保存训练后的神经网络模型 
model.save(model_path) 
print('Model save at file %s' % model_path) 
#测试神经网络模型预测效果 
n = 10 #取出测试数据集中前10个样本 
#使用训练好的模型预测结果 
pred = model.predict(x_test[:n], n) 
#定义图形界面分为3行10列显示图片 
plt.figure(figsize=(10, 3)) 
#循环显示每幅图片，标注真实值，和网络预测值 
for i in range(n): 
#定义图片输出位置 
plt.subplot(1, 10, i+1) 
plt.subplots_adjust(wspace=2) 
#格式化图片格式 
t = x_test[i].reshape(28, 28) 
#显示图片 
plt.imshow(t, cmap='gray') 
if pred[i].argmax() == y_test[i].argmax(): 
#预测正确时，使用绿色显示真实值和预测值 
plt.title('%d,%d' 
% 
color='green') 
else: 
(pred[i].argmax(), 
#预测错误时，使用红色显示真实值和预测值 
y_test[i].argmax()), 
plt.title('%d,%d' % (pred[i].argmax(), y_test[i].argmax()), color='red') 
plt.xticks([]) 
plt.yticks([]) 
#显示图片窗口 
plt.show() 

自定义手写体网络模型