1.手寫數字數據集
- from sklearn.datasets import load_digits
- digits = load_digits()
2.圖片數據預處理
- x：歸一化MinMaxScaler()
- y：獨熱編碼OneHotEncoder()或to_categorical
- 訓練集測試集划分
- 張量結構
3.設計卷積神經網絡結構
- 繪制模型結構圖，並說明設計依據。
先導入相關的包
然后設計模型結構，因為圖片是（8,8）的像素規模，在池化方面，就最多能池化3次
在卷積上，可以多次卷積，我選擇的（3,3）的卷積核，然后卷積的方式是same，即卷積完成后，得到和卷積前同樣大小的結果。
構建模型結果：
4.模型訓練
- model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
- train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
5.模型評價
- model.evaluate()
- 交叉表與交叉矩陣
- pandas.crosstab
- seaborn.heatmap
觀察預測值和實際值
通過交叉矩陣觀察預測值與實際值的符合情況
通過熱力圖觀察預測值與實際值的符合程度
小結：模型構建完成后，得到的精確率在96%左右，說明模型的構建還是有一定的不足，應該更加優化卷積和池化的安排，嘗試不同的卷積核得到的模型
從熱力圖看得出來，在預測數字8的時候容易和數字1混淆，如果是實際應用中則需要加多數字8的樣本，讓模型能夠更好的學習到數字8的特征。也能進行更好的預測。