【Python】keras神经网络识别mnist

栏目: 编程工具 · 发布时间: 6年前

内容简介:这次又用Keras做了一个差不多的,毕竟,现在最流行的项目都是Python做的,我也跟一下潮流:)数据是从本地解析好的图像和标签载入的。

上次用Matlab写过一个识别Mnist的神经网络,地址在: https://www.cnblogs.com/tiandsp/p/9042908.html

这次又用Keras做了一个差不多的,毕竟,现在最流行的项目都是 Python 做的,我也跟一下潮流:)

数据是从本地解析好的图像和标签载入的。

神经网络有两个隐含层,都有512个节点。

import numpy as np
from keras.preprocessing import image
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation


# 从文件夹图像与标签文件载入数据
def create_x(filenum, file_dir):
    train_x = []
    for i in range(filenum):
        img = image.load_img(file_dir + str(i) + ".bmp", target_size=(28, 28))
        img = img.convert('L')
        x = image.img_to_array(img)
        train_x.append(x)
    train_x = np.array(train_x)
    train_x = train_x.astype('float32')
    train_x /= 255
    return train_x


def create_y(classes, filename):
    train_y = []
    file = open(filename, "r")
    for line in file.readlines():
        tmp = []
        for j in range(classes):
            if j == int(line):
                tmp.append(1)
            else:
                tmp.append(0)
        train_y.append(tmp)
    file.close()
    train_y = np.array(train_y).astype('float32')
    return train_y


classes = 10
X_train = create_x(55000, './train/')
X_test = create_x(10000, './test/')

X_train = X_train.reshape(X_train.shape[0], 784)
X_test = X_test.reshape(X_test.shape[0], 784)

Y_train = create_y(classes, 'train.txt')
Y_test = create_y(classes, 'test.txt')

# 从网络下载的数据集直接解析数据
'''
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
X_train, Y_train = mnist.train.images, mnist.train.labels
X_test, Y_test = mnist.test.images, mnist.test.labels
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train = X_train.reshape(55000, 784)
X_test = X_test.reshape(10000, 784)
'''
model = Sequential()

model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dropout(0.4))

model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.4))

model.add(Dense(10))
model.add(Activation('softmax'))
model.summary()

model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
history = model.fit(X_train, Y_train, batch_size=500, epochs=20, verbose=1, validation_data=(X_test, Y_test))
score = model.evaluate(X_test, Y_test, verbose=0)

test_result = model.predict(X_test)
result = np.argmax(test_result, axis = 1)

print(result)
print('Test score:', score[0])
print('Test accuracy:', score[1])

最终在测试集上识别率在98%左右。

【Python】keras神经网络识别mnist

相关测试数据可以在这里 下载 到。


以上所述就是小编给大家介绍的《【Python】keras神经网络识别mnist》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

工程问题C++语言求解

工程问题C++语言求解

Delores M.Etter、Jeanine A.Ingber / 冯力、周凯 / 机械工业出版社 / 2014-8 / 79元

本书介绍了如何利用ANSIC++编程语言以基于对象的编程方式来解决工程问题。书中引用了大量来自于不同工程、科学和计算机科学领域的示例,是一本理论和实践结合紧密的教材。针对C++基本语法的各个部分,由浅入深地进行讲解。每讲解一部分基础知识,同时会结合多个相关实例,实例内容详实,紧贴所讲内容,使读者能够立刻对所学知识进行练习,实战性强。一起来看看 《工程问题C++语言求解》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

html转js在线工具
html转js在线工具

html转js在线工具

HEX HSV 转换工具
HEX HSV 转换工具

HEX HSV 互换工具