【深度学习】实验15 使用CNN完成MNIST手写体识别(Keras)

简介: 【深度学习】实验15 使用CNN完成MNIST手写体识别(Keras)

使用CNN完成MNIST手写体识别(Keras)

卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习算法,是处理具有类似网格结构的数据的强大工具,例如图像和声音。CNN主要用于图像识别、语音识别、自然语言处理等领域,是目前计算机视觉领域最有效的算法之一。


卷积神经网络的主要特点是局部连接、权值共享和池化。局部连接意味着每个神经元仅与输入数据的一小部分相连;权值共享意味着所有的神经元使用相同的权值矩阵进行卷积计算;池化则是在卷积计算之后对输出进行降采样。这些特性使得CNN非常适合处理图像数据。


CNN的结构通常由多个卷积层、池化层和全连接层组成,其中卷积层和池化层用于提取图像的特征,全连接层则用于将这些特征映射到输出结果上。在训练过程中,CNN通过反向传播算法更新权值矩阵,使得网络能够自动学习到最适合任务的特征表示。在测试过程中,CNN通过前向传播算法将输入数据传入网络中,并得到输出结果。


CNN的应用非常广泛,例如人脸识别、物体识别、图像分类、图像分割、目标检测等。在物体识别和图像分类任务中,CNN通常使用ImageNet数据集进行训练,该数据集包含数百万张图像和数千个类别,是计算机视觉领域最大的数据集之一。在目标检测任务中,CNN通常使用Faster R-CNN、YOLO、SSD等网络结构,将物体位置和类别同时预测出来。


总的来说,卷积神经网络是一种非常强大的深度学习算法,具有优秀的图像处理能力,但在实际应用过程中也存在一些问题,例如训练时间长、需要更多的计算资源和数据集等。随着技术的不断进步和发展,相信CNN在未来会得到更广泛的应用。

1. 导入Keras库

# 导入相关库
from keras.datasets import mnist
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
from keras.losses import categorical_crossentropy
from keras.optimizers import Adadelta
Using TensorFlow backend.

2. 数据集

# 导入数据集
train_X, train_y = mnist.load_data()[0]
train_X, train_y
(array([[[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]],
   [[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]],
   [[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]],
   ...,
   [[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]],
   [[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]],
   [[0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    ...,
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0],
    [0, 0, 0, ..., 0, 0, 0]]], dtype=uint8),
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8))
# 训练集
train_X = train_X.reshape(-1, 28 ,28, 1)
train_X = train_X.astype('float32')
train_X /= 255
train_y = to_categorical(train_y, 10)

3. 构造神经网络

# 构造神经网络
model = Sequential()
model.add(Conv2D(32, (5, 5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
model.compile(loss=categorical_crossentropy, optimizer=Adadelta(), metrics=['accuracy'])

4. 训练模型

# 开始训练
batch_size = 100
epochs = 1
model.fit(train_X, train_y, batch_size=batch_size, epochs=epochs)
   WARNING:tensorflow:From /home/nlp/anaconda3/lib/python3.7/site-packages/keras/backend/tensorflow_backend.py:422: The name tf.global_variables is deprecated. Please use tf.compat.v1.global_variables instead.
   Epoch 1/1
   60000/60000 [==============================] - 190s 3ms/step - loss: 0.2228 - accuracy: 0.9316
   <keras.callbacks.callbacks.History at 0x7f7835e74940>

5. 测试模型

# 测试准确率
test_X, test_y = mnist.load_data()[1]
test_X = test_X.reshape(-1, 28, 28, 1)
test_X = test_X.astype('float32')
test_X /= 255
test_y = to_categorical(test_y, 10)
loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
print('loss:%.4f accuracy:%.4f' %(loss, accuracy))
   10000/10000 [==============================] - 9s 919us/step
   loss:0.0467 accuracy:0.9844


目录
相关文章
|
1月前
|
机器学习/深度学习 算法 数据库
基于CNN卷积网络的MNIST手写数字识别matlab仿真,CNN编程实现不使用matlab工具箱
基于CNN卷积网络的MNIST手写数字识别matlab仿真,CNN编程实现不使用matlab工具箱
|
11天前
|
机器学习/深度学习 数据采集 算法
深度学习在医学影像识别中的应用与挑战
医学影像识别是深度学习技术在医疗领域中的重要应用之一。本文将探讨深度学习在医学影像识别中的应用现状、挑战以及未来发展方向。通过对深度学习算法的介绍和医学影像识别的案例分析,展示了深度学习在提高医学影像诊断准确性、降低医疗成本、改善医疗服务质量等方面的潜力。同时,也指出了在医学影像识别中面临的数据质量、隐私保护、模型可解释性等挑战,并探讨了未来发展中需要解决的技术问题和可能的解决方案。
|
20天前
|
机器学习/深度学习 算法
深度学习在医学影像识别中的应用与挑战
医学影像识别是深度学习在医疗领域中的重要应用之一,通过结合深度学习算法和医学影像技术,可以实现对疾病、肿瘤等病变的自动化识别和分析。本文将从深度学习在医学影像识别中的优势和挑战两个方面展开讨论,旨在探讨深度学习技术在医学影像领域的前景和发展方向。
8 0
|
22天前
|
机器学习/深度学习 算法
深度学习在医疗影像识别中的应用与挑战
传统医疗影像识别技术在临床诊断中存在一定局限性,而深度学习技术的引入为医疗影像识别带来了新的可能性。本文将探讨深度学习在医疗影像识别中的应用现状与挑战,并分析其潜在的未来发展方向。
|
24天前
|
机器学习/深度学习 人工智能 算法
深度学习在医疗影像识别中的应用与挑战
随着人工智能技术的不断发展,深度学习在医疗领域的应用日益广泛。本文将探讨深度学习在医疗影像识别中的重要性及挑战,展示其在提高诊断准确性、加速医疗影像分析等方面的潜力与前景。
7 1
|
25天前
|
机器学习/深度学习 算法 生物认证
基于深度学习的人员指纹身份识别算法matlab仿真
这是一个关于使用深度学习进行指纹识别的算法概述。在matlab2022a环境下,通过预处理指纹图像(灰度化、二值化等)并利用卷积神经网络(CNN)提取特征。CNN架构包含卷积、池化、归一化和全连接层。特征向量通过余弦相似度计算匹配,训练时采用triplet loss优化。部分核心代码展示了加载预训练模型进行测试集分类预测并计算准确率的过程。
|
1月前
|
机器学习/深度学习 算法
基于CNN+LSTM深度学习网络的时间序列预测matlab仿真
基于CNN+LSTM深度学习网络的时间序列预测matlab仿真
|
2月前
|
机器学习/深度学习 算法 算法框架/工具
基于深度学习的交通标志检测和识别(从原理到环境配置/代码运行)
基于深度学习的交通标志检测和识别(从原理到环境配置/代码运行)
134 0
|
2月前
|
机器学习/深度学习 自然语言处理 大数据
深度学习中的卷积神经网络优化技术探析
【2月更文挑战第4天】在深度学习领域,卷积神经网络(CNN)一直扮演着重要角色,但其训练和推理过程中存在许多挑战。本文将从优化角度出发,探讨卷积神经网络中的权重初始化、损失函数设计、学习率调整等优化技术,旨在为深度学习爱好者提供一些实用的技术感悟和分享。
21 3
|
2月前
|
机器学习/深度学习 算法 搜索推荐
《深度学习在医学影像识别中的应用与前景》
【2月更文挑战第4天】 医学影像识别是近年来深度学习技术的一个热门应用领域。本文将介绍深度学习在医学影像识别中的应用现状,探讨其在医学诊断、治疗以及医疗大数据分析等方面的潜在前景,并对未来发展进行展望。
32 4