MNIST
MNIST数据集合
MNIST数据集共有训练数据60 000项，测试数据10 000项，每一项都是由images和label组成。图像大小都是28 x 28。
数据预处理
导入需要的模块
import numpy as np
import pandas as pd
from keras.utils import np_utils
import matplotlib.pyplot as pltmatplotlib.pyplot是绘图模块
keras.utils中有个函数可以将label标签转换为独热编码表示，后续会用到
numpy是科学计算库
导入MNIST数据集
from keras.datasets import mnist
(X_train_image,y_train_label),(X_test_image,y_test_label)=mnist.load_data()mnist.load_data()
若不指定括号中的参数，会自动加载“环境路径\Lib\site-packages\keras\datasets”或者“C:\Users\User\.keras\datasets”下的mnist.npz
查看数据集
查看数据集长度
print('train data = ',len(X_train_image)) #训练集长度
print(' test data = ',len(X_test_image)) #测试集长度
print('train data = ',X_train_image.shape) #训练集数据的形状
print(' test data = ',y_train_label.shape) #训练集标签的形状
print(' y_train_label[0] = ', y_train_label[0])#显示训练集第一项的标签输出结果为
显示图像
因为训练集中每一项都是由图像和标签组成，因此要建立一个打印图像的函数，以便于打印图像
def plot_image(image):
fig=plt.gcf();#创建一个图形
fig.set_size_inches(2,2)#设置图形大小
plt.imshow(image,cmap='binary')#plt显示图像，类型为二值图像
plt.show()#开始绘图plt.gcf() 函数作用是创建一个图形
gcf().set_size_inches(size,size) 函数作用是设置图像的大小，单位为英尺
plt.imshow(图像矩阵,cmap='图像类型') 函数用于设置要显示的图像
plt.show() 函数用于绘制图像
显示训练中的第一项
plot_image(X_train_image[0])#绘制训练集第一项的图 
显示多个图像，标签，以及预测值
def plot_images_labels_prediction(images,#数字图像
labels,#真实值
prediction,#预测结果
idx,#开始显示的数据index
num=10#要显示的数据项，默认是10，不超过25
):
fig = plt.gcf();#创建图形
fig.set_size_inches(12,14)#设置图形大小
if num>25: num=25 #限制显示的数据项
for i in range(0,num): #画出num个数字图形
ax=plt.subplot(5,5,1+i) #子图为5行5列，每一项索引为1+i
ax.imshow(images[idx],cmap='binary')#ax中国画出下标为idx的图像，图像为二值图
title="label" + str(labels[idx]) #设置标题
if len(prediction)>0: #如果传入了预测结果，就显示预测结果
title+=",predict="+str(prediction[idx])
ax.set_title(title,fontsize=10)
ax.set_xticks([])#设置不显示x刻度
ax.set_yticks([])#设置不显示y刻度
idx+=1
plt.show()此函数的功能打印一个图像数组中的所有图像，最多显示25幅图像，若预测值缺失，则不打印预测值，idx指定起始图像的索引，num表示打印图像的数量
plot.subplot(row,column,index) 函数将图像切分为指定行指定列的多个子图，子图索引index
subplot().imshow(image,cmap='类型') 函数用于将指定图像放置到子图中。
subplot().set_title() 函数用于设置子图标题
subplot(),set_xticks([]) 函数可以设置x轴的刻度，若参数为空则不显示x轴
subplot(),set_yticks([]) 函数可以设置y轴的刻度，若参数为空则不显示y轴
输出图像
plot_images_labels_prediction(X_train_image,y_train_label,[],0,10)结果为：
数据集处理
改变数据集形状
原本训练集形状为(60000,28,28)改变为(60000,784)，类型为32位浮点型。
原本测试集形状为(10000,28,28)改变为(10000,784)，类型为32位浮点型。
相当于将后面两维合并。
x_Train= X_train_image.reshape(60000,784).astype('float32')
x_Test = X_test_image.reshape(10000,784).astype('float32')
print('x_train:',x_Train.shape)
print('x_test:',x_Test.shape)结果
归一化处理
因为数字图像像素范围通常是从0到255，所以只要将图像矩阵中每个元素除以255即可。
归一化的作用是将值压缩到0到1之间。
x_Train_normalize=x_Train/255
x_Test_normalize=x_Test/255转换为独热编码表示
什么是独热编码
原本数据的类别有多少，就创建多长的数字串，在所属类别位置设置为1。
如数字0到9。就可以常见长度为10的数字串。0就在第1位设置为1表示，1就在第二位设置为1表示。
如数字5，用独热编码表示就是：0 0 0 0 0 1 0 0 0 0
如数字1，用独热编码表示就是：0 1 0 0 0 1 0 0 0 0
转换函数
使用keras.untils工具中的to_categorical( array )函数，将指定数组中的值转换为独热编码表示
y_TrainOneHot = np_utils.to_categorical(y_train_label)
y_TestOneHot = np_utils.to_categorical(y_test_label)
print(y_train_label[0])
print(y_TrainOneHot[0])
print(y_train_label[1])
print(y_TrainOneHot[1])输出结果为
Keras多层感知器识别手写数字
类型1搭建
结构
一个输入层，包含784个输入神经元，
一个隐藏层，包含256个隐藏神经元，
一个输出层，十个输出神经元，对应十个预测结果
数据预处理
x_Train=X_train_image.reshape(60000,784).astype('float32')
x_Test=X_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train / 255
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)
y_Test_OneHot=np_utils.to_categorical(y_test_label)x_Train=X_train_image.reshape(60000,784).astype('float32') #将加载的训练数据从(60000,28,28)改成(60000,784)，类型为浮点数
x_Test=X_test_image.reshape(10000,784).astype('float32') #将加载的测试数据从(10000,28,28)改成(10000,784)，类型为浮点数
x_Train_normalize=x_Train / 255 #将每一像素归一化，像素区间为255，归到0-1区间，除以255，可以提高准确度，更快收敛。
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label) #将训练数据标签用独热编码表示
y_Test_OneHot=np_utils.to_categorical(y_test_label) #将测试数据标签用独热编码表示建立模型
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout #引入Dropout层model = Sequential()#建立初始模型，初始什么都没有#隐藏层和输入层是同时建立的
model.add(Dense(units=256, #隐藏层的神经元个数
input_dim=784, #输入层神经元个数
kernel_initializer='normal', #使用normal distribution正态分布的随机数来初始化权重(w)和偏差(b)
activation='relu')) #激活函数为relu#增加输出层
model.add(Dense(units=10, #输出层神经元个数为10
kernel_initializer='normal', #初始化权重w和偏差b使用normal来初始化
activation='softmax')) #激活函数为softmax输出信息
可以使用model.summary()函数来输出模型的参数
print(model.summary())
参数的计算方式
Param = (上一层神经元数量) x (本层的神经元数量) + (本层的神经元数量)
参数总和就是各层的参数加起来
训练模型
使用model.compole()函数定义模型的训练方式
#定义训练方式
model.compile(loss='categorical_crossentropy',#设置损失函数，这里使用交叉熵损失
optimizer='adam',#设置优化器，这里使用adam优化器，可以让模型更快收敛，提高准确率
metrics=['accuracy'])#设置评估模型的方式是准确率开始训练模型
train_history=model.fit(x=x_Train_normalize,#输入图像的特征值
y=y_Train_OneHot,#输入标签的真实值
validation_split=0.2, #设置训练与验证数据比例
epochs=10, #设置训练周期
batch_size=200,#每一批次200项数据
verbose=2#显示训练过程
)
因为设置训练与验证数据的比例为0.2，所以训练的数据有60000 x 0.8 = 48000项，每一批次200项，大约分为240批训练
训练完成会计算这个训练周期的准确率与误差
loss：训练数据计算误差
acc：训练数据的准确率
val_loss：验证数据的误差
val_acc：验证数据的准确率
输出训练信息
定义一个输出信息函数，参数为历史，显示的第一项（二维数组，有对应的x和y），显示的第二项（二维数组，有对应的x和y）
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):#参数为训练产生的历史，训练数据的执行结果，验证数据的执行结果
plt.plot(train_history.history[train]) #绘制历史中训练数据的执行结果的折线图
plt.plot(train_history.history[validation]) #绘制历史中训练验证的执行结果的折线图
plt.title('Train History')#显示标题
plt.ylabel(train)#y轴标签
plt.xlabel('Epoch')#x轴标签是'Epoch'
plt.legend(['train','validation'] , loc='upper left')#图例显示'train','validation'，位置左上角
plt.show()show_train_history(train_history,'accuracy','val_accuracy')history参数说明
'accuracy'：训练数据准确率
val_accuracy：‘验证数据的准确率’
'loss'：训练数据上准确率
'val_loss'：验证数据上的准确率
模型评估
使用model.evaluate()函数来评估模型，输入参数为测试数据的归一化的输入，以及测试数据的真实标签的独热编码。
scores=model.evaluate(x_Test_normalize,y_Test_OneHot) #使用model.evaluate评估模型的准确率，结果存放在scores中
print()
print('accuracy=',scores[1])#显示准确率准确率放在索引为1的位置。
使用模型预测数据
使用model.predict()函数来预测数据，输入为测试数据
prediction=model.predict(x_Test) #使用模型预测测试数据
prediction=np.argmax(prediction,axis=1) #将样本最大概率归属类别的值转化为样本的预测数组。
prediction
打印测试图像，预测值，以及真实值
plot_images_labels_prediction(X_test_image,y_test_label,prediction,idx=300)
#显示预测结果，输入参数为测试数据图像，测试数据的真实值，预测结果和显示从340个开始显示十个
构建混淆矩阵
使用pandas库的crosstab来构建混淆矩阵，输入数据为测试数据的真实标签，测试数据的预测标签，行名字为label，列名字为predict
import pandas as pd
pd.crosstab(#使用corsstab建立混淆矩阵（误差矩阵）
y_test_label, #测试数据的真实标签
prediction,#测试数据的预测结果
rownames=['label'],#行的名称为label
colnames=['predict'])#列的名称为predict
矩阵的值表示真实标签为 rowa 但是预测到的值为colb的次数
对角线是预测正确的次数。
1被预测正确次数最高，最不容易混淆。
5被预测正确的次数最低，最容易混淆。
构建DataFrame
可以使用pandas库的DataFrame()函数来构建DataFrame，输入为一个列表，分别对应每一列
df=pd.DataFrame({'label':y_test_label,'predict':prediction}) #建立一个DataFrame，包括两列，一列Label和一列predict
df[:10] #输出前10行
df[(df.label==5)&(df.predict==3)] #输出label为5，但是预测为3的值。 
类型2（增加神经元个数）
x_Train=X_train_image.reshape(60000,784).astype('float32')
x_Test=X_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train / 255
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)
y_Test_OneHot=np_utils.to_categorical(y_test_label)
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
model = Sequential()
model.add(Dense(units=1000, #输入层和隐藏层是一起建立的
input_dim=784,
kernel_initializer='normal',
activation='relu'))
model.add(Dense(units=10,
kernel_initializer='normal',
activation='softmax'))
print(model.summary())
model.compile(loss='categorical_crossentropy',#设置损失函数，这里使用交叉熵损失
optimizer='adam',#设置优化器，这里使用adam优化器，可以让模型更快收敛，提高准确率
metrics=['accuracy'])#设置评估模型的方式是准确率
train_history=model.fit(x=x_Train_normalize,#输入图像的特征值
y=y_Train_OneHot,#输入标签的真实值
validation_split=0.2, #设置训练与验证数据比例
epochs=10, #设置训练周期
batch_size=200,#每一批次200项数据
verbose=2#显示训练过程
)
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):#参数为训练产生的历史，训练数据的执行结果，验证数据的执行结果
plt.plot(train_history.history[train])
plt.plot(train_history.history[validation])
plt.title('Train History')#显示标题
plt.ylabel(train)#y轴标签
plt.xlabel('Epoch')#x轴标签是'Epoch'
plt.legend(['train','validation'] , loc='upper left')#图例显示'train','validation'，位置左上角
plt.show()
show_train_history(train_history,'accuracy','val_accuracy')
会发现增加神经元个数，出现了过拟合的现象，可以加入Dropout层来防止过拟合
类型3（增加神经元，同时增加Dropout层）
x_Train=X_train_image.reshape(60000,784).astype('float32')
x_Test=X_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train / 255
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)
y_Test_OneHot=np_utils.to_categorical(y_test_label)
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
model = Sequential()
model.add(Dense(units=1000, #输入层和隐藏层是一起建立的
input_dim=784,
kernel_initializer='normal',
activation='relu'))
model.add(Dropout(0.5))#加入Dropout层，丢弃率50%，防止过拟合
model.add(Dense(units=10,
kernel_initializer='normal',
activation='softmax'))
print(model.summary())
model.compile(loss='categorical_crossentropy',#设置损失函数，这里使用交叉熵损失
optimizer='adam',#设置优化器，这里使用adam优化器，可以让模型更快收敛，提高准确率
metrics=['accuracy'])#设置评估模型的方式是准确率
train_history=model.fit(x=x_Train_normalize,#输入图像的特征值
y=y_Train_OneHot,#输入标签的真实值
validation_split=0.2, #设置训练与验证数据比例
epochs=10, #设置训练周期
batch_size=200,#每一批次200项数据
verbose=2#显示训练过程
)
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):#参数为训练产生的历史，训练数据的执行结果，验证数据的执行结果
plt.plot(train_history.history[train])
plt.plot(train_history.history[validation])
plt.title('Train History')#显示标题
plt.ylabel(train)#y轴标签
plt.xlabel('Epoch')#x轴标签是'Epoch'
plt.legend(['train','validation'] , loc='upper left')#图例显示'train','validation'，位置左上角
plt.show()
show_train_history(train_history,'accuracy','val_accuracy')
类型4（增加神经元个数，两个隐藏层，两个Dropout层）
x_Train=X_train_image.reshape(60000,784).astype('float32')
x_Test=X_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train / 255
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)
y_Test_OneHot=np_utils.to_categorical(y_test_label)
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
model = Sequential()
model.add(Dense(units=1000, #输入层和隐藏层是一起建立的
input_dim=784,
kernel_initializer='normal',
activation='relu'))
model.add(Dropout(0.5))#加入Dropout层，丢弃率50%，防止过拟合
model.add(Dense(units=1000, #再加一层隐藏层
kernel_initializer='normal',
activation='relu'))
model.add(Dropout(0.5)) #加入Dropout层次
model.add(Dense(units=10,
kernel_initializer='normal',
activation='softmax'))
print(model.summary())
model.compile(loss='categorical_crossentropy',#设置损失函数，这里使用交叉熵损失
optimizer='adam',#设置优化器，这里使用adam优化器，可以让模型更快收敛，提高准确率
metrics=['accuracy'])#设置评估模型的方式是准确率
train_history=model.fit(x=x_Train_normalize,#输入图像的特征值
y=y_Train_OneHot,#输入标签的真实值
validation_split=0.2, #设置训练与验证数据比例
epochs=10, #设置训练周期
batch_size=200,#每一批次200项数据
verbose=2#显示训练过程
)
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):#参数为训练产生的历史，训练数据的执行结果，验证数据的执行结果
plt.plot(train_history.history[train])
plt.plot(train_history.history[validation])
plt.title('Train History')#显示标题
plt.ylabel(train)#y轴标签
plt.xlabel('Epoch')#x轴标签是'Epoch'
plt.legend(['train','validation'] , loc='upper left')#图例显示'train','validation'，位置左上角
plt.show()
show_train_history(train_history,'accuracy','val_accuracy')
总结
四个模型比较
1个输入层，1个隐藏层（256个神经元），1个输出层
1个输入层，1个隐藏层（1000个神经元），1个输出层
1个输入层，1个隐藏层（1000个神经元），1个Dropout层，1个输出层
1个输入层，2个隐藏层（1000个神经元），2个Dropout层，1个输出层
比较如下：
可以发现并不是隐藏层神经元个数越多越好
解决过拟合：使用Dropout层
最终2个隐藏层2个Dropout层效果最好。
建立模型总结
输入层神经元个数要和输入值的个数对应，输出层神经元个数就是要预测的结果个数。
函数总结
np.utils.to_categorical( array )：将array转换为独热编码表示
np.array.reshape()：改变array的形状
np.array.reshape().astype('')：改变array的形状的同时制定类型
Sequential()：创建初始模型
model.add( Dense() )：增加一层，输入层要指定input_dim，输出层要指定units，同时制定初始化方式和激活函数。隐藏层只要指定units个数，初始化方式和激活函数
model.add( Dropout() )：增加一个Dropout层，参数为丢弃概率，取值0-1
model.summary()：返回模型的参数
model.compile()：定义模型训练方式，可以指定损失函数，优化器，和评估方式
model.fit()：开始训练模型，包括输入数据，真实标签，训练数据和验证数据的比例，训练周期，每一批次数据项个数，verbose=2表示显示训练过程
model.evaluate()：评估模型的准确率。输入为测试数据输入，测试数据标签。
model.predict()：使用模型预测数据，参数为测试数据。
pandas.crosstab()：创建混淆矩阵，参数为行的值，列的值，以及行标签和列标签。
pandas.DataFrame()：创建DataFrame，输入格式为{'列名字':列的值,...}
Keras卷积神经网络识别手写数字
卷积神经网络与多层感知器的差异
CNN增加了卷积层1，池化层1，卷积层2，池化层2来提取特征。
卷积层的意义
将原本一个图像经过卷积运算产生多个图像，如同相片叠加起来。效果类似滤镜，可以提取不同的特征，如边缘，线条和角等。
Max-Pool运算说明
可以对图像缩减采样，会将图片缩小，但是不会改变头像的数量。
缩减采样的好处：
-
-
- 减少需要处理的数据点
- 让图像位置差异变小，位置的不同可能影响识别。
- 参数的数量和计算量下降，可以控制过拟合。
-
多次试验，Dropout都取0.25效果最好，准确率达到0.9922
搭建CNN进行手写数字识别
网络结构
卷积层1 -> 池化层1 -> 卷积层2 -> 池化层2 -> Dropout层1 -> 平坦层 -> 隐藏层 -> Dropout层2 -> 输出层
与多层感知器的区别
将图像经过两个卷积层和池化层后，再将将图像平坦化，送入多层感知器。
创建功能函数以及导入相关库
from keras.datasets import mnist
from keras.utils import np_utils
import numpy as np
np.random.seed(10)
from keras.models import Sequential
from keras.layers import Dense,Flatten,Conv2D,MaxPooling2D,Dropout
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):#参数为训练产生的历史，训练数据的执行结果，验证数据的执行结果
plt.plot(train_history.history[train])
plt.plot(train_history.history[validation])
plt.title('Train History')#显示标题
plt.ylabel(train)#y轴标签
plt.xlabel('Epoch')#x轴标签是'Epoch'
plt.legend(['train','validation'] , loc='upper left')#图例显示'train','validation'，位置左上角
plt.show()
def plot_images_labels_prediction(images,#数字图像
labels,#真实值
prediction,#预测结果
idx,#开始显示的数据index
num=10#要显示的数据项，默认是10，不超过25
):
fig = plt.gcf();#创建图形
fig.set_size_inches(12,14)#设置图形大小
if num>25: num=25 #限制显示的数据项
for i in range(0,num): #画出num个数字图形
ax=plt.subplot(5,5,1+i) #子图为5行5列，每一项索引为1+i
ax.imshow(images[idx],cmap='binary')#ax中国画出下标为idx的图像，图像为二值图
title="label" + str(labels[idx]) #设置标题
if len(prediction)>0: #如果传入了预测结果，就显示预测结果
title+=",predict="+str(prediction[idx])
ax.set_title(title,fontsize=10)
ax.set_xticks([])#设置不显示x刻度
ax.set_yticks([])#设置不显示y刻度
idx+=1
plt.show()数据预处理
(x_Train,y_Train),(x_Test,y_Test) = mnist.load_data() #加载数据集x_Train4D = x_Train.reshape(x_Train.shape[0],28,28,1).astype('float32') #因为图像是灰度图像，所以图像第三维是1，并转换为浮点型
x_Test4D = x_Test.reshape(x_Test.shape[0],28,28,1).astype('float32')
x_Train4D_normalize = x_Train4D / 255 #归一化处理
x_Test4D_normalize = x_Test4D / 255
y_TrainOneHot = np_utils.to_categorical(y_Train) #独热编码处理
y_TestOneHot = np_utils.to_categorical(y_Test)搭建模型
model = Sequential()
model.add(Conv2D(filters=16, #卷积核的个数为16个，会产生16个输出
kernel_size=(5,5), #卷积核的大小
padding='same', #设置填充，让图像保持原大小
input_shape=(28,28,1), #第一第二维都是28，第三维因为图像是灰度图像，所以为1
activation='relu')) #激活函数relu
model.add(MaxPooling2D(pool_size=(2,2))) #加入池化层，池化窗口的大小为2 x 2，2x2会将图像大小减半
model.add(Conv2D(filters=36, #设置36个卷积核，会产生36个输出图像
kernel_size=(5,5), #卷积核的大小为5x5
padding='same', #设置填充后保持原图像大小
activation='relu')) #激活函数为relu
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))#加入Dropout层，随机丢弃25%神经元，防止过拟合。
model.add(Flatten())#建立平坦层，将上一层池化层的输出转换为一维向量，36个7x7图像，也就是36x7x7=1764个float数。对应1764个神经元
model.add(Dense(128,activation='relu')) #隐藏层128个神经元
model.add(Dropout(0.25))
model.add(Dense(10,activation='softmax'))查看模型参数
print(model.summary())
设置训练方式
3个参数，定义损失函数，优化器，评分标准
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])开始训练模型
6个参数，包括输入数据，标签，训练集和验证集比例，训练周期，每一批次的数据个数，是否显示训练过程
train_history = model.fit(x=x_Train4D_normalize,
y=y_TrainOneHot,
validation_split=0.2,
epochs=10,
batch_size=300,
verbose=2)
显示模型正确率
注意：在tensorflow2.0一下版本，准确率的标签是'acc'，验证集上的准确率标签是'val_acc'，在Tensorflow2.0以上版本则分别是'accuracy'和'val_accuracy'
show_train_history(train_history,'accuracy','val_accuracy')
显示模型损失
show_train_history(train_history,'loss','val_loss')
评估模型
使用测试数据评估模型准确率
socres=model.evaluate(x_Test4D_normalize,y_TestOneHot)
socres[1]
使用模型预测数据，并显示预测结果
prediction = model.predict(x_Test4D)
prediction=np.argmax(prediction,axis=1)
prediction[:10]
绘制图像，比较预测值和真实值
plot_images_labels_prediction(x_Test,y_Test,prediction,idx=0)
建立混淆矩阵
import pandas as pd
pd.crosstab(y_Test,prediction,
rownames=['label'],
colnames=['prediction']) 
本文来自博客园，作者：Laplace蒜子，转载请注明原文链接：https://www.cnblogs.com/RedNoseBo/p/17161827.html
