KERAS的初學者指南：30分鐘內數字識別

>本文詳細介紹了使用卷積神經網絡（CNN）和MNIST數據集構建用於手寫數字識別的KERAS模型。 讓我們重新提示它以清晰並改善流程。

>用keras 構建手寫數字識別器

>本教程演示了創建一個模型，使用Python的Keras庫識別手寫數字，這是一種簡化建築和培訓神經網絡的高級API。我們將利用卷積神經網絡（CNN）和廣泛使用的MNIST數據集的力量。

理解方法

我們的模型採用CNN，這是一種特別有效的圖像分類體系結構。與傳統的神經網絡不同，CNNS在3D陣列（X，Y坐標和顏色）中處理數據，使其非常適合圖像數據。 MNIST數據集包含60,000個培訓和10,000個手寫數字的測試示例，為培訓提供了必要的標籤數據。

>人工神經網絡（ANN）和CNNS > ANN是一個數學模型，通過隱藏的圖層將輸入數據轉換為輸出，每個層代表概率。 培訓涉及根據錯誤調整權重和偏見，從而使網絡學習模式。 CNNS為圖像處理提供了重要的優勢。它們的3D陣列結構意味著每個隱藏層節點僅連接到一個小輸入區域，與傳統ANN相比，效率大大提高。 關鍵CNN層包括卷積層（特徵提取），合併層（功能降低），變平層（降低維度）和最終分類層。

與MNIST數據集一起

>

> MNIST數據集可在Keras中可用。 我們使用

加載培訓和測試數據。 可視化樣品數字有助於理解數據結構：

mnist.load_data()

訓練和測試集的尺寸（60000、28、28）和（10000、28、28），指示28x28像素圖像。

from keras.datasets import mnist
import matplotlib.pyplot as plt

(x_train, y_train), (x_test, y_test) = mnist.load_data()
image_index = 35
plt.imshow(x_train[image_index], cmap='Greys')
plt.show()

數據預處理

在創建模型之前，數據需要預處理：

1. 重塑：圖像被重塑為（m x n x 1）格式，使用.reshape()>。
。
2. 歸一化：像素值（0-255）通過除以255將其標準化為0-1。
>
3. 一個hot編碼：>使用y_train>使用y_test將因變量（to_categorical()，
）轉換為二進制類矩陣，以兼容模型的輸出。

from keras.datasets import mnist
import matplotlib.pyplot as plt

(x_train, y_train), (x_test, y_test) = mnist.load_data()
image_index = 35
plt.imshow(x_train[image_index], cmap='Greys')
plt.show()

型號設計和訓練

>

我們的CNN模型是依次構建的：

1. 卷積層：>從輸入圖像中提取特徵。
2. 池層：降低維度和計算成本。
3. 輟學層：防止過度擬合。 >
4. 扁平層：>將多維輸出轉換為1D陣列。
密集層：
5. 執行最終分類。
>使用

損失（用於整數標籤），Adam Optimizer和準確度作為度量標准進行編譯。 使用

img_rows, img_cols = 28, 28
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) / 255
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) / 255
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

進行訓練，指定時期和批量尺寸。訓練有素的模型可保存以供以後使用。

> sparse_categorical_crossentropy 使用自定義圖像進行測試.fit()

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(img_rows, img_cols, 1)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Dropout(0.25),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(10, activation='softmax') # 10 output classes (digits 0-9)
])

為了測試模型，我們加載自定義手寫數字圖像，預處理（轉換為灰度，重塑，歸一化），加載保存的模型並使用>進行分類。

>

.predict()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))
model.save("test_model.h5")

結論

本教程提供了對使用Keras和CNN構建手寫數字識別模型的基本理解。 儘管實現高精度（例如，＆GT; 99％），但通過模型參數調整，數據增強和探索更高級的CNN體​​系結構進行了進一步的改進。 提供的常見問題解答提供了對所涉及概念的進一步見解。

以上是KERAS的初學者指南：30分鐘內數字識別的詳細內容。更多資訊請關注PHP中文網其他相關文章！