KERAS的初学者指南：30分钟内数字识别

>本文详细介绍了使用卷积神经网络（CNN）和MNIST数据集构建用于手写数字识别的KERAS模型。 让我们重新提示它以清晰并改善流程。

>用keras 构建手写数字识别器

>本教程演示了创建一个模型，使用Python的Keras库识别手写数字，这是一种简化建筑和培训神经网络的高级API。我们将利用卷积神经网络（CNN）和广泛使用的MNIST数据集的力量。

理解方法

我们的模型采用CNN，这是一种特别有效的图像分类体系结构。与传统的神经网络不同，CNNS在3D阵列（X，Y坐标和颜色）中处理数据，使其非常适合图像数据。 MNIST数据集包含60,000个培训和10,000个手写数字的测试示例，为培训提供了必要的标签数据。

>人工神经网络（ANN）和CNNS > ANN是一个数学模型，通过隐藏的图层将输入数据转换为输出，每个层代表概率。 培训涉及根据错误调整权重和偏见，从而使网络学习模式。 CNNS为图像处理提供了重要的优势。它们的3D阵列结构意味着每个隐藏层节点仅连接到一个小输入区域，与传统ANN相比，效率大大提高。 关键CNN层包括卷积层（特征提取），合并层（功能降低），变平层（降低维度）和最终分类层。

与MNIST数据集一起

>

> MNIST数据集可在Keras中可用。 我们使用

加载培训和测试数据。 可视化样品数字有助于理解数据结构：

mnist.load_data()

训练和测试集的尺寸（60000、28、28）和（10000、28、28），指示28x28像素图像。

from keras.datasets import mnist
import matplotlib.pyplot as plt

(x_train, y_train), (x_test, y_test) = mnist.load_data()
image_index = 35
plt.imshow(x_train[image_index], cmap='Greys')
plt.show()

数据预处理

在创建模型之前，数据需要预处理：

1. 重塑：图像被重塑为（m x n x 1）格式，使用.reshape()>。
。
2. 归一化：像素值（0-255）通过除以255将其标准化为0-1。
>
3. 一个hot编码：>使用y_train>使用y_test将因变量（to_categorical()，
）转换为二进制类矩阵，以兼容模型的输出。

from keras.datasets import mnist
import matplotlib.pyplot as plt

(x_train, y_train), (x_test, y_test) = mnist.load_data()
image_index = 35
plt.imshow(x_train[image_index], cmap='Greys')
plt.show()

型号设计和训练

>

我们的CNN模型是依次构建的：

1. 卷积层：>从输入图像中提取特征。
2. 池层：降低维度和计算成本。
3. 辍学层：防止过度拟合。>
4. 扁平层：>将多维输出转换为1D阵列。
密集层：
5. 执行最终分类。
>使用

损失（用于整数标签），Adam Optimizer和准确度作为度量标准进行编译。 使用

img_rows, img_cols = 28, 28
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) / 255
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) / 255
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

进行训练，指定时期和批量尺寸。训练有素的模型可保存以供以后使用。

> sparse_categorical_crossentropy 使用自定义图像进行测试.fit()

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(img_rows, img_cols, 1)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Dropout(0.25),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(10, activation='softmax') # 10 output classes (digits 0-9)
])

为了测试模型，我们加载自定义手写数字图像，预处理（转换为灰度，重塑，归一化），加载保存的模型并使用>进行分类。

>

.predict()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))
model.save("test_model.h5")

结论

本教程提供了对使用Keras和CNN构建手写数字识别模型的基本理解。 尽管实现高精度（例如，＆GT; 99％），但通过模型参数调整，数据增强和探索更高级的CNN体​​系结构进行了进一步的改进。 提供的常见问题解答提供了对所涉及概念的进一步见解。

以上是KERAS的初学者指南：30分钟内数字识别的详细内容。更多信息请关注PHP中文网其他相关文章！