數據

首先加載數據

from keras.datasets import mnist(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

接下來，看看這個數據集的基本情況：

train_images.shape

(60000, 28, 28)

len(train_labels)

60000

train_labels

array([5, 0, 4, …, 5, 6, 8], dtype=uint8)

test_images.shape

(10000, 28, 28)

len(test_labels)

10000

test_labels

array([7, 2, 1, …, 4, 5, 6], dtype=uint8)

網絡構架

from keras import models from keras import layersnetwork = models.Sequential() network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) network.add(layers.Dense(10, activation='softmax'))

Keras可以幫助我們實現一層一層的連接起來，在本例中的網絡包含2個Dense層，他們是密集連接（也叫全連接）的神經層。第二層是一個10路softmax層，他將返回一個由10個概率值（總和為1）組成的數組。每個概率值表示當前數字圖像屬于10個數字類別中的某一個的概率。

編譯

要想訓練網絡，我們還需要設置編譯步驟的三個參數：

• 損失函數

• 優化器(optimizer)：基于訓練數據和損失函數來更新網絡的機制

• 在訓練和測試過程中需要監控的指標(metric)：本例只關心精度，即正確分類的圖像所占的比例。

network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

圖像數據預處理

在訓練之前，需要對圖像數據預處理，將其變換成網絡要求的形狀，并縮放所有值都在[0,1]區間。比如，之前訓練圖像保存在一個uint8類型的數組中，其形狀為(60000，28， 28)，取值范圍為[0， 255]。我們需要將其變換成一個float32數組，其形狀為(60000， 28*28)，取值范圍為0-1

train_images = train_images.reshape((60000, 28 * 28)) #把一個圖像變成一列數據用于學習 train_images = train_images.astype('float32') / 255 #astype用于進行數據類型轉換test_images = test_images.reshape((10000, 28 * 28)) test_images = test_images.astype('float32') / 255

訓練

from keras.utils import to_categoricaltrain_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels)network.fit(train_images, train_labels, epochs=5, batch_size=128)

會有一個輸出

看看測試集表現如何：

test_loss, test_acc = network.evaluate(test_images, test_labels)print('test_acc:', test_acc)

我們還可以看某一個具體的圖像顯示情況

digit = train_images[4] import matplotlib.pyplot as plt plt.imshow(digit, cmap = plt.cm.binary) plt.show()

更多精彩內容，歡迎關注我的微信公眾號：數據瞎分析

總結

以上是生活随笔為你收集整理的用Keras进行手写字体识别（MNIST数据集）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。