分享一个朋友的人工智能教程。零基础!通俗易懂!风趣幽默!还带黄段子!大家可以看看是否对自己有帮助:点击打开
全栈工程师开发手册 (作者:栾鹏)
python教程全解
keras使用CNN识别手写体
其中使用到了MNIST.py文件,该文件读取手写体文件,返回数组数据。可参考我的github:/626626cdllp/kears/tree/master/MNIST
import numpy as npnp.random.seed(1337) # for reproducibilityfrom keras.datasets import mnistfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activation, Flattenfrom keras.layers import Conv2D, MaxPooling2D,AveragePooling2Dfrom keras.utils import np_utilsfrom keras import backend as Kimport MNIST# 全局变量 batch_size = 128 # 批处理样本数量nb_classes = 10 # 分类数目epochs = 600 # 迭代次数img_rows, img_cols = 28, 28 # 输入图片样本的宽高nb_filters = 32 # 卷积核的个数pool_size = (2, 2) # 池化层的大小kernel_size = (5, 5) # 卷积核的大小input_shape = (img_rows, img_cols,1) # 输入图片的维度X_train, Y_train = MNIST.get_training_data_set(600, False) # 加载训练样本数据集,和one-hot编码后的样本标签数据集。最大60000X_test, Y_test = MNIST.get_test_data_set(100, False) # 加载测试特征数据集,和one-hot编码后的测试标签数据集,最大10000X_train = np.array(X_train).astype(bool) # 转成0-1黑白图。方便训练X_train=X_train[:,:,:,np.newaxis] # 添加一个维度,代表图片通道。这样数据集共4个维度,样本个数、宽度、高度、通道数Y_train = np.array(Y_train)X_test = np.array(X_test).astype(bool) # 转成0-1黑白图。方便训练X_test=X_test[:,:,:,np.newaxis] # 添加一个维度,代表图片通道。这样数据集共4个维度,样本个数、宽度、高度、通道数Y_test = np.array(Y_test)print('样本数据集的维度:', X_train.shape,Y_train.shape)print('测试数据集的维度:', X_test.shape,Y_test.shape)print(MNIST.printimg(X_train[1]))print(Y_train[1])# 构建模型model = Sequential()model.add(Conv2D(6,kernel_size,input_shape=input_shape,strides=1)) # 卷积层1model.add(AveragePooling2D(pool_size=pool_size,strides=2)) # 池化层model.add(Conv2D(12,kernel_size,strides=1)) # 卷积层2model.add(AveragePooling2D(pool_size=pool_size,strides=2)) # 池化层model.add(Flatten()) # 拉成一维数据model.add(Dense(nb_classes)) # 全连接层2model.add(Activation('sigmoid')) # sigmoid评分# 编译模型pile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])# 训练模型model.fit(X_train, Y_train, batch_size=batch_size, epochs=epochs,verbose=1, validation_data=(X_test, Y_test))# 评估模型score = model.evaluate(X_test, Y_test, verbose=0)print('Test score:', score[0])print('Test accuracy:', score[1])
最后的结果在测试集上
Test score: 0.729587615132
Test accuracy: 0.87