深度学习练手项目——DNN识别手写数字

该案例主要目的是为了熟悉Keras基本用法，以及了解DNN基本流程。

示例代码：

import numpy as np

import matplotlib.pyplot as plt

from keras.models import Sequential

from keras.datasets import mnist

from keras.layers import Dense

from keras.utils.np_utils import to_categorical

#加载数据，训练60000条，测试10000条，X_train.shape=(60000,28,28)

(X_train, y_train), (X_test, y_test) = mnist.load_data()

#特征扁平化，缩放，标签独热

X_train_flat = X_train.reshape(60000, 28*28)

X_test_flat = X_test.reshape(10000, 28*28)

X_train_norm = X_train_flat / 255

X_test_norm = X_test_flat / 255

y_train_onehot = to_categorical(y_train, 10) #shape为(60000,10)

y_test_onehot = to_categorical(y_test, 10) #shape为(10000,10)

#构建模型

model = Sequential()

model.add(Dense(100, activation='relu', input_shape=(28*28,)))

model.add(Dense(50, activation='relu'))

model.add(Dense(10, activation='softmax'))

#模型配置和训练

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X_train_norm, y_train_onehot, epochs=5, batch_size=32, verbose=1)

print("训练完毕！")

训练结果为：

继续在测试集上评估模型。

#测试集上评估表现

score = model.evaluate(X_test_norm, y_test_onehot)

print("在测试集上评估完毕！")

print("在测试集上表现：Loss={:.4f}, Accuracy={:.4f}".format(score[0], score[1]))

#在测试集上预测

y_pred_class = model.predict_classes(X_test_norm)  #shape=(10000,)

print("预测完毕！")

#查看预测效果，随机查看多张图片

idx = 22  #随机设置

count = 0

fig1 = plt.figure(figsize = (10,7))

for i in range(3):

    for j in range(5):

        count += 1

        ax = plt.subplot(3,5,count)

        plt.imshow(X_test[idx+count])

        ax.set_title("predict:{} label:{}".format(y_pred_class[idx+count],

                                                  y_test[idx+count]))

fig1.savefig('images/look.jpg')

运行结果为：

为了了解模型预测错误原因，可查看预测错误的图片。

#找出错误所在

X_test_err = X_test[y_test!=y_pred_class]  #(num_errors, 28, 28)

y_test_err = y_test[y_test!=y_pred_class]  #(num_errors,)

y_pred_class_err = y_pred_class[y_test!=y_pred_class]

#连续查看多张错误图片

idx = -1

count = 0

fig2 = plt.figure(figsize = (10,7))

for i in range(3):

    for j in range(5):

        count += 1

        ax = plt.subplot(3,5,count)

        plt.imshow(X_test_err[idx+count])

        ax.set_title("predict:{} label:{}".format(y_pred_class_err[idx+count],

                                                  y_test_err[idx+count]))

fig2.savefig('images/errors.jpg')

运行结果为：

巴特西

深度学习练手项目——DNN识别手写数字

最新文章

热门文章