（五） Keras Adam优化器以及CNN应用于手写识别
视频学习来源
https://www.bilibili.com/video/av40787141?from=search&seid=17003307842787199553
笔记
Adam，常用优化器之一
大多数情况下，adma速度较快，达到较优值迭代周期较少，
一般比SGD效果好
CNN应用于手写识别
import numpy as np from keras.datasets import mnist #将会从网络下载mnist数据集 from keras.utils import np_utils from keras.models import Sequential #序列模型 #Convolution2D 是2维卷积 #MaxPooling2D 是2维最大池化 #Flatten 数据扁平化（降维） from keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten #在这里导入dropout from keras.optimizers import Adam
C:\Program Files (x86)\Microsoft Visual Studio\Shared\Anaconda3_64\lib\site-packages\h5py\__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
from ._conv import register_converters as _register_converters
Using TensorFlow backend.
#载入数据 (x_train,y_train),(x_test,y_test)=mnist.load_data() #查看格式 #（60000,28,28） print('x_shape:',x_train.shape) #（60000） print('y_shape:',y_train.shape) #转化为4维 #最后一个维度图片深度，1表示黑白，3表示彩色 #rgb是红绿蓝三通道0-255表示各个通道的颜色深度 #（60000,28,28）->(60000,28,28,1) #-1表示自动设置 #除以255是做数据归一化处理 x_train=x_train.reshape(-1,28,28,1)/255.0 #转换数据格式 x_test=x_test.reshape(-1,28,28,1)/255.0 #转换数据格式 #label标签转换成 one hot 形式 y_train=np_utils.to_categorical(y_train,num_classes=10) #分成10类 y_test=np_utils.to_categorical(y_test,num_classes=10) #分成10类 #定义序列模型 model=Sequential() #第一个卷积层 #input_shape 输入平面 #filters 卷积核/滤波器个数 #kernel_size 卷积窗口大小 #strides 步长 #padding padding方式 same/valid #activation 激活函数 model.add(Convolution2D( input_shape=(28,28,1),#只需要在第一次添加输入平面 filters=32, kernel_size=5, strides=1, padding='same', activation='relu' )) #平面大小28x28，用same padding得到的和上一次一样，也是28x28，有32个特征图 #池化后变成14x14,32个特征图 #第一个池化层 model.add(MaxPooling2D( pool_size=2, # 池化窗口大小 2x2的窗口 strides=2, padding='same' )) #第二个卷积层 #filters=64 kernel_seize=5 model.add(Convolution2D(64,5,strides=1,padding='same',activation='relu')) #第二个卷积层后64个特征图，14x14 #第二个池化层后64个特征图，7x7 #第二个池化层 model.add(MaxPooling2D(2,2,'same')) #把第二个池化层的输出扁平化为1维 #长度 64x7x7 model.add(Flatten()) #第一个全连接层 #1024个神经元 model.add(Dense(1024,activation='relu')) #Dropout #训练时百分之40个神经元不工作 model.add(Dropout(0.4)) #第二个全连接层 model.add(Dense(10,activation='softmax')) #定义优化器 #学习速率为10的负4次方 adam=Adam(lr=1e-4) #定义优化器，损失函数，训练效果中计算准确率 model.compile( optimizer=adam, #sgd优化器 loss='categorical_crossentropy', #损失用交叉熵，速度会更快 metrics=['accuracy'], #计算准确率 ) #训练 #六万张，每次训练64张，训练10个周期（六万张全部训练完算一个周期） model.fit(x_train,y_train,batch_size=64,epochs=10) #评估模型 loss,accuracy=model.evaluate(x_test,y_test) print('\ntest loss',loss) print('\ntest accuracy',accuracy) loss,accuracy=model.evaluate(x_train,y_train) print('\ntrain loss',loss) print('\ntrain accuracy',accuracy)
x_shape: (60000, 28, 28)
y_shape: (60000,)
Epoch 1/10
60000/60000 [==============================] - 251s 4ms/step - loss: 0.3163 - acc: 0.9127
Epoch 2/10
60000/60000 [==============================] - 263s 4ms/step - loss: 0.0861 - acc: 0.9745
Epoch 3/10
60000/60000 [==============================] - 275s 5ms/step - loss: 0.0606 - acc: 0.9812
Epoch 4/10
60000/60000 [==============================] - 266s 4ms/step - loss: 0.0469 - acc: 0.9858
Epoch 5/10
60000/60000 [==============================] - 264s 4ms/step - loss: 0.0392 - acc: 0.9878
Epoch 6/10
60000/60000 [==============================] - 267s 4ms/step - loss: 0.0333 - acc: 0.9894
Epoch 7/10
60000/60000 [==============================] - 272s 5ms/step - loss: 0.0284 - acc: 0.9915
Epoch 8/10
60000/60000 [==============================] - 267s 4ms/step - loss: 0.0255 - acc: 0.9921
Epoch 9/10
60000/60000 [==============================] - 268s 4ms/step - loss: 0.0209 - acc: 0.9934
Epoch 10/10
60000/60000 [==============================] - 256s 4ms/step - loss: 0.0185 - acc: 0.9944
10000/10000 [==============================] - 14s 1ms/step
test loss 0.020771756899070168
test accuracy 0.9934
60000/60000 [==============================] - 78s 1ms/step
train loss 0.009774932912984514
train accuracy 0.9973666666666666
