使用keras实现CNN，直接上代码：

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils
from keras import backend as K
 
class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = {"batch":[], "epoch":[]}
        self.accuracy = {"batch":[], "epoch":[]}
        self.val_loss = {"batch":[], "epoch":[]}
        self.val_acc = {"batch":[], "epoch":[]}
 
    def on_batch_end(self, batch, logs={}):
        self.losses["batch"].append(logs.get("loss"))
        self.accuracy["batch"].append(logs.get("acc"))
        self.val_loss["batch"].append(logs.get("val_loss"))
        self.val_acc["batch"].append(logs.get("val_acc"))
 
    def on_epoch_end(self, batch, logs={}):
        self.losses["epoch"].append(logs.get("loss"))
        self.accuracy["epoch"].append(logs.get("acc"))
        self.val_loss["epoch"].append(logs.get("val_loss"))
        self.val_acc["epoch"].append(logs.get("val_acc"))
 
    def loss_plot(self, loss_type):
        iters = range(len(self.losses[loss_type]))
        plt.figure()
        # acc
        plt.plot(iters, self.accuracy[loss_type], "r", label="train acc")
        # loss
        plt.plot(iters, self.losses[loss_type], "g", label="train loss")
        if loss_type == "epoch":
            # val_acc
            plt.plot(iters, self.val_acc[loss_type], "b", label="val acc")
            # val_loss
            plt.plot(iters, self.val_loss[loss_type], "k", label="val loss")
        plt.grid(True)
        plt.xlabel(loss_type)
        plt.ylabel("acc-loss")
        plt.legend(loc="upper right")
        plt.show()
 
history = LossHistory()
 
batch_size = 128
nb_classes = 10
nb_epoch = 20
img_rows, img_cols = 28, 28
nb_filters = 32
pool_size = (2,2)
kernel_size = (3,3)
(X_train, y_train), (X_test, y_test) = mnist.load_data()
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)
input_shape = (img_rows, img_cols, 1)
 
X_train = X_train.astype("float32")
X_test = X_test.astype("float32")
X_train /= 255
X_test /= 255
print("X_train shape:", X_train.shape)
print(X_train.shape[0], "train samples")
print(X_test.shape[0], "test samples")
 
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
 
model3 = Sequential()
 
model3.add(Convolution2D(nb_filters, kernel_size[0] ,kernel_size[1],
                        border_mode="valid",
                        input_shape=input_shape))
model3.add(Activation("relu"))
 
model3.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model3.add(Activation("relu"))
 
model3.add(MaxPooling2D(pool_size=pool_size))
model3.add(Dropout(0.25))
 
model3.add(Flatten())
 
model3.add(Dense(128))
model3.add(Activation("relu"))
model3.add(Dropout(0.5))
 
model3.add(Dense(nb_classes))
model3.add(Activation("softmax"))
 
model3.summary()
 
model3.compile(loss="categorical_crossentropy",
              optimizer="adadelta",
              metrics=["accuracy"])
 
model3.fit(X_train, Y_train, batch_size=batch_size, epochs=nb_epoch,
          verbose=1, validation_data=(X_test, Y_test),callbacks=[history])
 
score = model3.evaluate(X_test, Y_test, verbose=0)
print("Test score:", score[0])
print("Test accuracy:", score[1])
 
#acc-loss
history.loss_plot("epoch")

补充：使用keras全连接网络训练mnist手写数字识别并输出可视化训练过程以及预测结果

前言

mnist 数字识别问题的可以直接使用全连接实现但是效果并不像CNN卷积神经网络好。Keras是目前最为广泛的深度学习工具之一，底层可以支持Tensorflow、MXNet、CNTK、Theano

准备工作

TensorFlow版本：1.13.1

Keras版本：2.1.6

Numpy版本：1.18.0

matplotlib版本：2.2.2

导入所需的库

from keras.layers import Dense,Flatten,Dropout
from keras.datasets import mnist
from keras import Sequential
import matplotlib.pyplot as plt
import numpy as np

Dense输入层作为全连接，Flatten用于全连接扁平化操作（也就是将二维打成一维），Dropout避免过拟合。使用datasets中的mnist的数据集，Sequential用于构建模型，plt为可视化，np用于处理数据。

划分数据集

# 训练集       训练集标签       测试集      测试集标签
(train_image,train_label),(test_image,test_label) = mnist.load_data()
print("shape:",train_image.shape)   #查看训练集的shape
plt.imshow(train_image[0])    #查看第一张图片
print("label:",train_label[0])      #查看第一张图片对应的标签
plt.show()

输出shape以及标签label结果：

查看mnist数据集中第一张图片：

数据归一化

train_image = train_image.astype("float32")
test_image = test_image.astype("float32")
train_image /= 255.0
test_image /= 255.0

将数据归一化，以便于训练的时候更快的收敛。

模型构建

#初始化模型（模型的优化 ---> 增大网络容量，直到过拟合）
model = Sequential()
model.add(Flatten(input_shape=(28,28)))    #将二维扁平化为一维（60000,28,28）---> (60000,28*28)输入28*28个神经元
model.add(Dropout(0.1))
model.add(Dense(1024,activation="relu"))   #全连接层 输出64个神经元 ,kernel_regularizer=l2(0.0003)
model.add(Dropout(0.1))
model.add(Dense(512,activation="relu"))    #全连接层
model.add(Dropout(0.1))
model.add(Dense(256,activation="relu"))    #全连接层
model.add(Dropout(0.1))
model.add(Dense(10,activation="softmax"))  #输出层，10个类别，用softmax分类

每层使用一次Dropout防止过拟合，激活函数使用relu，最后一层Dense神经元设置为10，使用softmax作为激活函数，因为只有0-9个数字。如果是二分类问题就使用sigmod函数来处理。

编译模型

#编译模型
model.compile(
    optimizer="adam",      #优化器使用默认adam
    loss="sparse_categorical_crossentropy", #损失函数使用sparse_categorical_crossentropy
    metrics=["acc"]       #评价指标
)

sparse_categorical_crossentropy与categorical_crossentropy的区别：

sparse_categorical_crossentropy要求target为非One-hot编码，函数内部进行One-hot编码实现。

categorical_crossentropy要求target为One-hot编码。

One-hot格式如： [0,0,0,0,0,1,0,0,0,0] = 5

训练模型

#训练模型
history = model.fit(
    x=train_image,                          #训练的图片
    y=train_label,                          #训练的标签
    epochs=10,                              #迭代10次
    batch_size=512,                         #划分批次
    validation_data=(test_image,test_label) #验证集
)

迭代10次后的结果：

绘制loss、acc图

#绘制loss acc图
plt.figure()
plt.plot(history.history["acc"],label="training acc")
plt.plot(history.history["val_acc"],label="val acc")
plt.title("model acc")
plt.ylabel("acc")
plt.xlabel("epoch")
plt.legend(loc="lower right")
plt.figure()
plt.plot(history.history["loss"],label="training loss")
plt.plot(history.history["val_loss"],label="val loss")
plt.title("model loss")
plt.ylabel("loss")
plt.xlabel("epoch")
plt.legend(loc="upper right")
plt.show()

绘制出的loss变化图：

绘制出的acc变化图：

预测结果

print("前十个图片对应的标签：　",test_label[:10]) #前十个图片对应的标签
print("取前十张图片测试集预测：",np.argmax(model.predict(test_image[:10]),axis=1)) #取前十张图片测试集预测

打印的结果：

可看到在第9个数字预测错了，标签为5的，预测成了6，为了避免这种问题可以适当的加深网络结构，或使用CNN模型。

保存模型

model.save("./mnist_model.h5")

完整代码

from keras.layers import Dense,Flatten,Dropout
from keras.datasets import mnist
from keras import Sequential
import matplotlib.pyplot as plt
import numpy as np
# 训练集       训练集标签       测试集      测试集标签
(train_image,train_label),(test_image,test_label) = mnist.load_data()
# print("shape:",train_image.shape)   #查看训练集的shape
# plt.imshow(train_image[0]) #查看第一张图片
# print("label:",train_label[0])      #查看第一张图片对应的标签
# plt.show()
#归一化（收敛）
train_image = train_image.astype("float32")
test_image = test_image.astype("float32")
train_image /= 255.0
test_image /= 255.0
#初始化模型（模型的优化 ---> 增大网络容量，直到过拟合）
model = Sequential()
model.add(Flatten(input_shape=(28,28)))   #将二维扁平化为一维（60000,28,28）---> (60000,28*28)输入28*28个神经元
model.add(Dropout(0.1))
model.add(Dense(1024,activation="relu"))    #全连接层 输出64个神经元 ,kernel_regularizer=l2(0.0003)
model.add(Dropout(0.1))
model.add(Dense(512,activation="relu"))    #全连接层
model.add(Dropout(0.1))
model.add(Dense(256,activation="relu"))    #全连接层
model.add(Dropout(0.1))
model.add(Dense(10,activation="softmax")) #输出层，10个类别，用softmax分类
#编译模型
model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["acc"]
)
#训练模型
history = model.fit(
    x=train_image,                          #训练的图片
    y=train_label,                          #训练的标签
    epochs=10,                              #迭代10次
    batch_size=512,                         #划分批次
    validation_data=(test_image,test_label) #验证集
)
#绘制loss acc 图
plt.figure()
plt.plot(history.history["acc"],label="training acc")
plt.plot(history.history["val_acc"],label="val acc")
plt.title("model acc")
plt.ylabel("acc")
plt.xlabel("epoch")
plt.legend(loc="lower right")
plt.figure()
plt.plot(history.history["loss"],label="training loss")
plt.plot(history.history["val_loss"],label="val loss")
plt.title("model loss")
plt.ylabel("loss")
plt.xlabel("epoch")
plt.legend(loc="upper right")
plt.show()
print("前十个图片对应的标签：　",test_label[:10]) #前十个图片对应的标签
print("取前十张图片测试集预测：",np.argmax(model.predict(test_image[:10]),axis=1)) #取前十张图片测试集预测
#优化前（一个全连接层（隐藏层））
#- 1s 12us/step - loss: 1.8765 - acc: 0.8825
# [7 2 1 0 4 1 4 3 5 4]
# [7 2 1 0 4 1 4 9 5 9]
#优化后（三个全连接层（隐藏层））
#- 1s 14us/step - loss: 0.0320 - acc: 0.9926 - val_loss: 0.2530 - val_acc: 0.9655
# [7 2 1 0 4 1 4 9 5 9]
# [7 2 1 0 4 1 4 9 5 9]
model.save("./model_nameALL.h5")

总结

使用全连接层训练得到的最后结果train_loss: 0.0242 - train_acc: 0.9918 - val_loss: 0.0560 - val_acc: 0.9826，由loss acc可视化图可以看出训练有着明显的效果。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://soyoger.blog.csdn.net/article/details/80183002

本文链接：https://my.lmcjl.com/post/16953.html