ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

15 手写数字识别-小数据集

2020-06-09 17:55:12  阅读:252  来源: 互联网

标签:test1 15 卷积 activation add 手写 识别 model size


1.手写数字数据集

  • from sklearn.datasets import load_digits
  • digits = load_digits()

   

2.图片数据预处理

  • x:归一化MinMaxScaler()
  • y:独热编码OneHotEncoder()或to_categorical
  • 训练集测试集划分
  • 张量结构

   

 

   

 

 

3.设计卷积神经网络结构

  • 绘制模型结构图,并说明设计依据。

  

 

 

#设计卷积神经网络结构
model = Sequential()
ks = (3, 3)  # 卷积核的大小
input_shape = x_train.shape[1:]
model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=input_shape, activation='relu'))# 一层卷积,padding='same',tensorflow会对输入自动补0
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层1
model.add(Dropout(0.25))# 防止过拟合,随机丢掉连接
model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu'))# 二层卷积
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层2
model.add(Dropout(0.25))
model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu'))# 三层卷积
model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu'))# 四层卷积
model.add(MaxPool2D(pool_size=(2, 2)))# 池化层3
model.add(Dropout(0.25))

model.add(Flatten())# 平坦层
model.add(Dense(128, activation='relu'))# 全连接层
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))# 激活函数softmax
model.summary()

 

4.模型训练

 

 

 

 

 

 

 

   

 

  

 

 

5.模型评价

  • model.evaluate()
  • 交叉表与交叉矩阵
  • pandas.crosstab
  • seaborn.heatmap

 

# 模型评价
score = model.evaluate(x_test, y_test)
print('score:', score)
y_pred = model.predict_classes(x_test)
print('y_pred:', y_pred[:10])
# 交叉表与交叉矩阵
y_test1 = np.argmax(y_test, axis=1).reshape(-1)
y_true = np.array(y_test1)[0]
# 交叉表查看预测数据与原数据对比
pd.crosstab(y_true, y_pred, rownames=['true'], colnames=['predict'])

# 交叉矩阵
y_test1 = y_test1.tolist()[0]
a = pd.crosstab(np.array(y_test1), y_pred, rownames=['Lables'], colnames=['Predict'])
df = pd.DataFrame(a)
sns.heatmap(df, annot=True, cmap="YlGnBu", linewidths=0.2, linecolor='G')
plt.show()

 

 

 

 

 

标签:test1,15,卷积,activation,add,手写,识别,model,size
来源: https://www.cnblogs.com/ccw1124486193/p/13072287.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有