Keras手寫識別例子（1）----softmax

轉自：https://morvanzhou.github.io/tutorials/machine-learning/keras/2-2-classifier/#測試模型

下載數據：

# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called
# X shape (60,000 28x28), y shape (10,000, )
(X_train, y_train), (X_test, y_test) = mnist.load_data()

data預處理：

X_train = X_train.reshape(X_train.shape[0], -1) / 255.   # normalize
X_test = X_test.reshape(X_test.shape[0], -1) / 255.      # normalize
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)

 

導入包：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./", one_hot=True)
X_train=mnist.train.images
Y_train=mnist.train.labels
X_test=mnist.test.images
Y_test=mnist.test.labels

因為(X_train, y_train), (X_test, y_test) = mnist.load_data()需從網上下載數據，由於網絡限制，下載失敗。

可以先在官網yann.lecun.com/exdb/mnist/上下載四個數據（train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz、t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz）

在當前目錄，不要解壓！

#input_data.py該模塊在tensorflow.examples.tutorials.mnist下，直接加載來讀取上面四個壓縮包。

#四個壓縮包形式為特殊形式。非圖片和標簽，要解析。

from tensorflow.examples.tutorials.mnist import input_data

#加載數據路徑為"./"，為當前路徑，自動加載數據，用one-hot方式處理好數據。

#read_data_sets是input_data.py里面的一個函數，主要是將數據解壓之后，放到對應的位置。 第一個參數為路徑，寫"./"表示當前路徑，其會判斷該路徑下有沒有數據，沒有的話會自動下載數據。

mnist = input_data.read_data_sets("./", one_hot=True)  

 

相關的包：

model.Sequential()：用來一層一層的去建立神經層。

layers.Dense，表示這個神經層是全連接層。

layers.Activation，激勵函數

optimizers.RMSprop，優化器采用RMSprop，加速神經網絡訓練方法。

Keras工作流程：

1. 定義訓練數據：輸入張量和目標張量
2. 定義層組成的網絡（或模型），將輸入映射到目標
3. 配置學習過程：選擇損失函數、優化器和需要監控的指標
4. 調用模型的fit方法在訓練數據上進行迭代

代碼：

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, Activation
from keras.optimizers import RMSprop
#讀取數據,其中，X_train為55000*784，Y_train為55000*10，X_test為10000*784，Y_test大小為10000*10.
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./", one_hot=True)
X_train=mnist.train.images
Y_train=mnist.train.labels
X_test=mnist.test.images
Y_test=mnist.test.labels

#建立神經網絡模型，一共兩層，第一層輸入784個變量，輸出為32，激活函數為relu，第二層輸入是上層的輸出32，輸出為10，激活函數為softmax。
model = Sequential([
    Dense(32, input_dim=784),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])
#采用RMSprop來求解模型，設學習率lr為0.001，以及別的參數。
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
#激活模型，優化器為rmsprop，損失函數為交叉熵，metric，里面可以放入需要計算的，比如cost、accuracy、score等
model.compile(optimizer=rmsprop,
              loss='categorical_crossentropy',
              metrics=['accuracy'])
#訓練網絡，用fit函數，導入數據，訓練次數為20，每批處理32個
model.fit(X_train, Y_train, nb_epoch=20, batch_size=32)
#測試模型
print('\nTesting ------------')
# Evaluate the model with the metrics we defined earlier
loss, accuracy = model.evaluate(X_test, Y_test)

print('test loss: ', loss)
print('test accuracy: ', accuracy)

 結果：