15 手写数字识别-小数据集

1.手写数字数据集

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

源代码：

from sklearn.datasets import load_digits
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
#1.手写数字数据集
digits=load_digits() #获取数据
#转换类型
X_data=digits.data.astype(np.float32)
Y_data=digits.target.astype(np.float32).reshape(-1,1)#将Y_data变为一列

 

结果：

 

 

 

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

 源代码：

#2.图片数据预处理
scaler=MinMaxScaler()
#x：归一化MinMaxScaler()
X_data=scaler.fit_transform(X_data)

#y：独热编码OneHotEncoder()
Y=OneHotEncoder().fit_transform(Y_data).todense()

#转换为图片的格式（batch,height,width,channels）
X=X_data.reshape(-1,8,8,1)

#训练集测试集划分
x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,random_state=0,stratify=Y)
print(x_train.shape,x_test.shape,y_train.shape,y_test.shape)

 

结果：

 

 

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。

 

 

源代码：

#3.设计卷积神经网络结构
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 导入相关包
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D

# 建立模型
model = Sequential()
# 一层卷积
model.add(Conv2D(filters=16,kernel_size=(5, 5),padding='same',input_shape=x_train.shape[1:],activation='relu'))
# 池化层1
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 二层卷积
model.add(Conv2D(filters=32,kernel_size=(5, 5),padding='same',activation='relu'))
# 池化层2
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 三层卷积
model.add(Conv2D(filters=64,kernel_size=(5, 5),padding='same',activation='relu'))
# 四层卷积
model.add(Conv2D(filters=128,kernel_size=(5, 5),padding='same',activation='relu'))
# 池化层3
model.add(MaxPool2D(pool_size=(2, 2)))
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

model.summary()

 

结果：

 

4.模型训练

• model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
• train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)

源代码：

#4.模型训练
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
train_history = model.fit(x=x_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)

 

结果：

第一次训练

第二次训练

 

 

5.模型评价

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

源代码：

#5.模型评价
score =model.evaluate(x_test,y_test)
print(score)

#预测值
y_pred=model.predict_classes(x_test)
y_pred[:10]
y_test[:10]

#交叉表查看预测数据与原数据对比
import pandas as pd
import seaborn as sns
y_test1=np.argmax(y_test,axis=1).reshape(-1)
y_test1=np.array(y_test1)[0]#记得要将数据提取为一维的 不然后面的会报错
y_test1.shape
y_pred.shape

a=pd.crosstab(np.array(y_test1),y_pred,rownames=['lables'],colnames=['predict'])
#转换成dataframe
df=pd.DataFrame(a)
sns.heatmap(df,annot=True,cmap="YlGnBu",linewidths=0.2,linecolor='G')
plt.show()

结果：