一、手写数字识别
现在就来说说如何使用神经网络实现手写数字识别。 在这里我使用mind manager工具绘制了要实现手写数字识别需要的模块以及模块的功能：
其中隐含层节点数量（即神经细胞数量）计算的公式（这只是经验公式，不一定是最佳值）：
m=n+l−−−−√+am=n+l+a
m=log2nm=log2n
m=nl−−√m=nl
- m: 隐含层节点数
- n: 输入层节点数
- l：输出层节点数
- a：1-10之间的常数
本例子当中：
- 输入层节点n：784
- 输出层节点：10 （表示数字 0 ~ 9）
-
隐含层选30个，训练速度虽然快，但是准确率却只有91% 左右，如果将这个数字变为100 或是300，其训练速度回慢一些
，但准确率可以提高到93%~94% 左右。
因为这是使用的MNIST的手写数字训练数据，所以它的图像的分辨率是28 * 28，也就是有784个像素点，其下载地址为：http://yann.lecun.com/exdb/mnist/
二、查看数据程序
- 48000作为训练数据，12000作为验证数据，10000作为预测数据
-
#coding=utf-
import numpy as np #导入模块，numpy是扩展链接库
import pandas as pd #类似一个本地的excel，偏向现在的非结构化的数据库
import tensorflow as tf
import keras
from keras.utils import np_utils
np.random.seed() #设置seed可以产生的随机数据
from keras.datasets import mnist #导入模块，下载读取mnist数据
(x_train_image,y_train_label),\
(x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
print('train data=',len(x_train_image))
print('test data=',len(x_test_image))
print('x_train_image:',x_train_image.shape)
print('y_train_label:',y_train_label.shape) #查看数据
import matplotlib.pyplot as plt
def plot_image(image): #定义显示函数
fig=plt.gcf()
fig.set_size_inches(,) #设置显示图形的大小
plt.imshow(image,cmap='binary') #黑白灰度显示
plt.show() #开始画图
y_train_label[] #查看第0项label数据
import matplotlib.pyplot as plt
def plot_image_labels_prediction(image,lables,prediction,idx,num=):#显示多项数据
fig=plt.gcf()
fig.set_size_inches(,) #设置显示图形的大小
if num>:num=
for i in range(,num): #画出num个数字图形
ax=plt.subplot(,,i+) #建立subplot字图形为5行5列
ax.imshow(image[idx],cmap='binary') #画出subgraph
title="lable="+str(lables[idx]) #设置字图形title，显示标签字段
if len(prediction)>: #如果传入了预测结果
title+=",predict="+str(prediction[idx]) #标题
ax.set_title(title,fontsize=) #设置字图形的标题
ax.set_xticks([]);ax.set_yticks([]) #设置不显示刻度
idx+= #读取下一项
plt.show()
plot_image_labels_prediction(x_train_image,y_train_label,[],,)#查看训练数据前10项
plot_image_labels_prediction(x_test_image,y_test_label,[],,) #查看测试数据前10项三、运行结果
四、训练预测识别程序
#coding=utf-8
#1.数据预处理
import numpy as np #导入模块，numpy是扩展链接库
import pandas as pd
import tensorflow
import keras
from keras.utils import np_utils
np.random.seed(10) #设置seed可以产生的随机数据
from keras.datasets import mnist #导入模块，下载读取mnist数据
(x_train_image,y_train_label),\
(x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
print('train data=',len(x_train_image))
print('test data=',len(x_test_image))
print('x_train_image:',x_train_image.shape)
print('y_train_label:',y_train_label.shape)
import matplotlib.pyplot as plt
def plot_image(image):
fig=plt.gcf()
fig.set_size_inches(2,2)
plt.imshow(image,cmap='binary')
plt.show()
y_train_label[0]
import matplotlib.pyplot as plt
def plot_image_labels_prediction(image,lables,prediction,idx,num=10):
fig=plt.gcf()
fig.set_size_inches(12,14)
if num>25:num=25
for i in range(0,num):
ax=plt.subplot(5,5,i+1)
ax.imshow(image[idx],cmap='binary')
title="lable="+str(lables[idx])
if len(prediction)>0:
title+=",predict="+str(prediction[idx])
ax.set_title(title,fontsize=10)
ax.set_xticks([]);ax.set_yticks([])
idx+=1
plt.show()
plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)
plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)
x_Train=x_train_image.reshape(60000,784).astype('float32') #以reshape转化成784个float
x_Test=x_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train/255 #将features标准化
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)#将训练数据和测试数据的label进行one-hot encoding转化
y_Test_OneHot=np_utils.to_categorical(y_test_label)
#2.建立模型
from keras.models import Sequential #可以通过Sequential模型传递一个layer的list来构造该模型,序惯模型是多个网络层的线性堆叠
from keras.layers import Dense #全连接层
model=Sequential()
#建立输入层、隐藏层
model.add(Dense(units=256,
input_dim=784,
kernel_initializer='normal',
activation='relu'))
#建立输出层
model.add(Dense(units=10,
kernel_initializer='normal',
activation='softmax'))
print(model.summary())
#3、进行训练
#对训练模型进行设置，损失函数、优化器、权值
model.compile(loss='categorical_crossentropy',
optimizer='adam',metrics=['accuracy'])
# 设置训练与验证数据比例，80%训练，20%测试，执行10个训练周期，每一个周期200个数据，显示训练过程2次
train_history=model.fit(x=x_Train_normalize,
y=y_Train_OneHot,validation_split=0.2,
epochs=10,batch_size=200,verbose=2)
#显示训练过程
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):
plt.plot(train_history.history[train])
plt.plot(train_history.history[validation])
plt.title('Train History')
plt.ylabel(train)
plt.xlabel('Epoch')
plt.legend(['train','validation'],loc='upper left') #显示左上角标签
plt.show()
show_train_history(train_history,'acc','val_acc') #画出准确率评估结果
show_train_history(train_history,'loss','val_loss') #画出误差执行结果
#以测试数据评估模型准确率
scores=model.evaluate(x_Test_normalize,y_Test_OneHot) #创建变量存储评估后的准确率数据，（特征值，真实值）
print()
print('accuracy',scores[1])
#进行预测
prediction=model.predict_classes(x_Test)
prediction
plot_image_labels_prediction(x_test_image,y_test_label,prediction,idx=340)五、运行结果
-
-
- 评估模型准确率结果为：0.9754
- 预测结果：有一个潦草的5预测错误为3