使用Keras构建神经网络图像识别模型
一、Keras的结构与安装
1. Keras简介
Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。
Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：
1）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）；
2）支持CNN和RNN，或二者的结合；
3）无缝CPU和GPU切换。
2. Keras的模块结构
3. 使用Keras搭建神经网络的过程
4. Anaconda3环境下Keras的安装教程
1）方法一
a）右键选择anaconda3用管理员权限打开，进入anaconda3的主界面，如图所示；
b）点击左边的environment，在右边的搜索栏内输入keras，点击跟前的选择Not installed，如图所示；
c）搜索到keras之后，右边会有点击安装的选择项，直接点击安装即可，安装时间可能有点长，请耐心等待。
2）方法二
a）在anaconda3下的script文件下进入cmd命令内，输入命令pip install keras，如图所示；
b）回车，运行成功后的结果如图所示。
3）检验Keras安装是否成功
a）快速打开Anaconda3自带的Spyder编辑器，如图所示；
b）输入import keras，运行后查看，如图所示表示安装成功；
c）注意：可能会出现“ImportError: Keras requires TensorFlow 2.2 or higher. Install TensorFlow via `pip install tensorflow`”错误，说明安装的keras版本过高，降低版本，在anaconda3下的script文件下进入cmd命令内，输入命令pip install keras==2.2即可。
二、典型示例--手写识别模型
1. 目标
1）示例背景
给定多张 0 - 9 手写数字图像（集合），从中通过学习产生神经网络识别模型。使用该模型，能够对输入的一幅手写数字图像，识别出 0 - 9 的数字。
2）选取数据集
本模型将选取MNIST数据集进行训练测试。MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张 28*28 像素的灰度手写数字图片。
a）读入MNIST数据
测试下载MNIST数据代码如下（可能会很慢，建议用镜像下载）：
from tensorflow.keras.datasets import mnist # 导入mnist数据集，需要保持网络畅通 # 训练数据：x_train是60000张28*28的数据，所以尺寸是60000*28*28，y_train是对应的数字，尺寸是60000*1；测试数据x_test和y_test同理 (x_train,y_train),(x_test,y_test)=mnist.load_data() print('x_shape:',x_train.shape) # (60000,28,28)
测试成功输出结果如下图：
b）展示MNIST部分数据
代码如下：
from tensorflow.keras.datasets import mnist import matplotlib.pyplot as plt (x_train,y_train),(x_test,y_test)=mnist.load_data() plt.subplot(3,3,1) plt.imshow(x_train[0]) plt.subplot(3,3,2) plt.imshow(x_train[1]) plt.subplot(3,3,3) plt.imshow(x_train[2]) plt.subplot(3,3,4) plt.imshow(x_train[3]) plt.subplot(3,3,5) plt.imshow(x_train[4]) plt.subplot(3,3,6) plt.imshow(x_train[5]) plt.subplot(3,3,7) plt.imshow(x_train[6]) plt.subplot(3,3,8) plt.imshow(x_train[7]) plt.subplot(3,3,9) plt.imshow(x_train[8]) plt.show()
结果如下图：
2. Keras构建手写识别模型
1）处理输入输出数据；
a）处理输入数据：由于每幅图像的每个像素作为一个神经网络的输入，所以一共有 28*28 = 784 个输入，需要对输入数据进行变换，即（60000，28，28）→ （60000，784），接着将像素值转换到 0 - 1 之间，以便加入到Keras神经网络模型中。代码如下：
# (60000,28,28) -> (60000,784) x_train=x_train.reshape(x_train.shape[0],x_train.shape[1]*x_train.shape[2]) x_test=x_test.reshape(x_test.shape[0],x_test.shape[1]*x_test.shape[2]) # 将像素值转换到0-1之间，便于应用神经网络 x_train=x_train/255 x_test=x_test/255
b）处理输出数据：需要将输出转换为one-hot的模式。one-hot编码又称为一位有效编码，是将分类变量作为二进制向量的表示，一般用于多分类识别。对于one-hot编码，举一个小例子，如下图：
输出数据转换代码及其对应效果图如下：
import tensorflow.keras.utils as ut print("y_train:\n",y_train) print("y_test:\n",y_test) print("\nAfter the one-hot code conversion") y_train=ut.to_categorical(y_train) y_test=ut.to_categorical(y_test) print("y_train:\n",y_train) print("y_test:\n",y_test)
2）构建深度神经网络模型
如下图模拟需要构建的神经网络：
a）创建序贯模型，添加全连接层，以形成深度网络结构；
代码如下：
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense,Activation model = models.Sequential() # 向模型中添加层 model.add(layers.Conv2D(32, kernel_size=(5, 5), # 添加卷积层，深度32，过滤器大小5*5 activation='relu', # 使用relu激活函数 input_shape=(img_rows, img_cols, 1))) # 输入的尺寸就是一张图片的尺寸(28,28,1) model.add(layers.MaxPooling2D(pool_size=(2, 2))) # 添加池化层，过滤器大小是2*2 model.add(layers.Conv2D(64, (5, 5), activation='relu')) # 添加卷积层，简单写法 model.add(layers.MaxPooling2D(pool_size=(2, 2))) # 添加池化层 model.add(layers.Flatten()) # 将池化层的输出拉直，然后作为全连接层的输入 model.add(layers.Dense(500, activation='relu')) # 添加有500个结点的全连接层，激活函数用relu model.add(layers.Dense(10, activation='softmax')) # 输出最终结果，有10个，激活函数用softmax
b）生成模型（编译）和训练；
代码如下：
# 自动完成模型的训练过程 model.fit(X_train, Y_train, # 训练集 batch_size=128, # batchsize epochs=5, # 训练轮数 validation_data=(X_test, Y_test)) # 验证集
c）对训练结果进行评估。
代码如下：
# 定义损失函数、优化函数、评测方法 model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.SGD(), metrics=['accuracy']) # 打印运行结果，即损失和准确度 score = model.evaluate(X_test, Y_test) print('Test loss:', score[0]) print('Test accuracy:', score[1])
d）运行效果图
3）将构建好的网络模型应用于手写识别实战分类，并对分类结果进行预测
代码如下：
x_predict=X_test[0:9] y=model.predict(x_predict) print(y)
结果如下：
