1.手写数字数据集

• from sklearn.datasets import load_digits
• digits = load_digits()

　　 

2.图片数据预处理

• x：归一化MinMaxScaler()
• y：独热编码OneHotEncoder()或to_categorical
• 训练集测试集划分
• 张量结构

 　　

 

 　　

 

 

3.设计卷积神经网络结构

• 绘制模型结构图，并说明设计依据。

　　

 

 

#设计卷积神经网络结构
model = Sequential()
ks = (3, 3)  # 卷积核的大小
input_shape = x_train.shape[1:]
model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=input_shape, activation='relu'))# 一层卷积，padding='same',tensorflow会对输入自动补0
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层1
model.add(Dropout(0.25))# 防止过拟合，随机丢掉连接
model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu'))# 二层卷积
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层2
model.add(Dropout(0.25))
model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu'))# 三层卷积
model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu'))# 四层卷积
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层3
model.add(Dropout(0.25))

model.add(Flatten())# 平坦层
model.add(Dense(128, activation='relu'))# 全连接层
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))# 激活函数softmax
model.summary()

 

4.模型训练

 

 

 

 

　

 

 

 　　

 

　　

 

 

5.模型评价

• model.evaluate()
• 交叉表与交叉矩阵
• pandas.crosstab
• seaborn.heatmap

　

# 模型评价
score = model.evaluate(x_test, y_test)
print('score：', score)
y_pred = model.predict_classes(x_test)
print('y_pred：', y_pred[:10])
# 交叉表与交叉矩阵
y_test1 = np.argmax(y_test, axis=1).reshape(-1)
y_true = np.array(y_test1)[0]
# 交叉表查看预测数据与原数据对比
pd.crosstab(y_true, y_pred, rownames=['true'], colnames=['predict'])

# 交叉矩阵
y_test1 = y_test1.tolist()[0]
a = pd.crosstab(np.array(y_test1), y_pred, rownames=['Lables'], colnames=['Predict'])
df = pd.DataFrame(a)
sns.heatmap(df, annot=True, cmap="YlGnBu", linewidths=0.2, linecolor='G')
plt.show()