python机器学习库keras |
您所在的位置：网站首页 › python手写体 › python机器学习库keras |
python机器学习库keras
|
分享一个朋友的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！大家可以看看是否对自己有帮助：点击打开 
全栈工程师开发手册 （作者：栾鹏） python教程全解 keras使用CNN识别手写体其中使用到了MNIST.py文件，该文件读取手写体文件，返回数组数据。可参考我的github：https://github.com/626626cdllp/kears/tree/master/MNIST import numpy as np np.random.seed(1337) # for reproducibility from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D,AveragePooling2D from keras.utils import np_utils from keras import backend as K import MNIST # 全局变量 batch_size = 128 # 批处理样本数量 nb_classes = 10 # 分类数目 epochs = 600 # 迭代次数 img_rows, img_cols = 28, 28 # 输入图片样本的宽高 nb_filters = 32 # 卷积核的个数 pool_size = (2, 2) # 池化层的大小 kernel_size = (5, 5) # 卷积核的大小 input_shape = (img_rows, img_cols,1) # 输入图片的维度 X_train, Y_train = MNIST.get_training_data_set(600, False) # 加载训练样本数据集，和one-hot编码后的样本标签数据集。最大60000 X_test, Y_test = MNIST.get_test_data_set(100, False) # 加载测试特征数据集，和one-hot编码后的测试标签数据集，最大10000 X_train = np.array(X_train).astype(bool) # 转成0-1黑白图。方便训练 X_train=X_train[:,:,:,np.newaxis] # 添加一个维度，代表图片通道。这样数据集共4个维度，样本个数、宽度、高度、通道数 Y_train = np.array(Y_train) X_test = np.array(X_test).astype(bool) # 转成0-1黑白图。方便训练 X_test=X_test[:,:,:,np.newaxis] # 添加一个维度，代表图片通道。这样数据集共4个维度，样本个数、宽度、高度、通道数 Y_test = np.array(Y_test) print('样本数据集的维度：', X_train.shape,Y_train.shape) print('测试数据集的维度：', X_test.shape,Y_test.shape) print(MNIST.printimg(X_train[1])) print(Y_train[1]) # 构建模型 model = Sequential() model.add(Conv2D(6,kernel_size,input_shape=input_shape,strides=1)) # 卷积层1 model.add(AveragePooling2D(pool_size=pool_size,strides=2)) # 池化层 model.add(Conv2D(12,kernel_size,strides=1)) # 卷积层2 model.add(AveragePooling2D(pool_size=pool_size,strides=2)) # 池化层 model.add(Flatten()) # 拉成一维数据 model.add(Dense(nb_classes)) # 全连接层2 model.add(Activation('sigmoid')) # sigmoid评分 # 编译模型 model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy']) # 训练模型 model.fit(X_train, Y_train, batch_size=batch_size, epochs=epochs,verbose=1, validation_data=(X_test, Y_test)) # 评估模型 score = model.evaluate(X_test, Y_test, verbose=0) print('Test score:', score[0]) print('Test accuracy:', score[1])最后的结果在测试集上 Test score: 0.729587615132 Test accuracy: 0.87 |
【本文地址】
今日新闻 |
推荐新闻 |