用Keras進行手寫字型識別（MNIST資料集）

首先載入資料

from keras.datasets import mnist
(train_images, train_labels)
,(test_images, test_labels)
= mnist.load_data(
)

接下來，看看這個資料集的基本情況：

train_images.shape

(60000, 28, 28)

len
(train_labels)

train_labels

array([5, 0, 4, …, 5, 6, 8], dtype=uint8)

test_images.shape

(10000, 28, 28)

len
(test_labels)

test_labels

array([7, 2, 1, …, 4, 5, 6], dtype=uint8)

from keras import models
from keras import layers
network = models.sequential(
)network.add(layers.dense(
512, activation=
'relu'
, input_shape=(28
*28,)
))network.add(layers.dense(
10, activation=
'softmax'
))

keras可以幫助我們實現一層一層的連線起來，在本例中的網路包含2個dense層，他們是密集連線（也叫全連線）的神經層。第二層是乙個10路softmax層，他將返回乙個由10個概率值（總和為1）組成的陣列。每個概率值表示當前數字影象屬於10個數字類別中的某乙個的概率。

要想訓練網路，我們還需要設定編譯步驟的三個引數：

network.
compile
(optimizer=
'rmsprop'
, loss=
'categorical_crossentropy'
, metrics=
['accuracy'
])

在訓練之前，需要對影象資料預處理，將其變換成網路要求的形狀，並縮放所有值都在[0,1]區間。比如，之前訓練影象儲存在乙個uint8型別的陣列中，其形狀為(60000，28， 28)，取值範圍為[0， 255]。我們需要將其變換成乙個float32陣列，其形狀為(60000， 28*28)，取值範圍為0-1

train_images = train_images.reshape(
(60000,28
*28))
#把乙個影象變成一列資料用於學習
train_images = train_images.astype(
'float32')/
255#astype用於進行資料型別轉換
test_images = test_images.reshape(
(10000,28
*28))
test_images = test_images.astype(
'float32')/
255

from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
network.fit(train_images, train_labels, epochs=
5, batch_size=
128)

會有乙個輸出

看看測試集表現如何：

test_loss, test_acc = network.evaluate(test_images, test_labels)
print
('test_acc:'
, test_acc)

我們還可以看某乙個具體的影象顯示情況

用Keras進行手寫字型識別（MNIST資料集）

keras實現手寫字型識別

kaggle mnist手寫字型識別

用word模仿手寫字型

用Keras進行手寫字型識別（MNIST資料集）

keras實現手寫字型識別

kaggle mnist手寫字型識別

用word模仿手寫字型

相關推薦