卷积神经网络（CNN）实现mnist手写数字识别

系统管理员 2024-05-07 17:07 11阅读 0赞

> 活动地址：[CSDN21天学习挑战赛][CSDN21]

![8916ef6255c341c48eb59ab037528dbc.png][]

首先来了解一下

### **什么是TensorFlow ？** ###

**TensorFlow 是一个采用数据流图(data [flow][] graphs)，用于数值计算的开源软件库。**

其命名来源于本身的原理，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算。Tensorflow运行过程就是张量从图的一端流动到另一端的计算过程。张量从图中流过的直观图像是其取名为“TensorFlow”的原因。

**张量Tensor：**在数学上，张量是N维向量，这意味着张量可以用来表示N维数据集。

**计算图(流, [flow][])：**流是指一个计算图或简单的一个图，图不能形成环路，图中的每个节点代表一个操作，如加法、减法等。每个操作都会导致新的张量形成。

![fa59dd66b5d24ccb977de8e76634cd7f.png][]

只要能够将计算表示成为一个数据流图，那么就可以使用TensorFlow。如这个图不就是个神经网络嘛，所以使用TensorFlow框架。

### 什么是Keras？ ###

Keras是基于TensorFlow或者Theano框架下的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。

#### tf.keras和keras的联系 ####

基于同一套API，但是因为tf.keras中比keras多出了一点特殊的功能，所以可以轻松的将keras程序迁移到tf.keras中，但是tf.keras中的代码并不是全能移动到keras中运行。

规范是相同的，模型导出的格式也是相同的。

![899a94669275493880ef335b056710c2.png][]

#### keras.layers模块 ####

`TensorFlow`的`layers`模块提供用于[深度][Link 1]学习的更高层次封装的`API`，利用它可以轻松地构建模型。`tf.layers`模块提供的方法有：

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>Input</code></td> 
   <td>用于实例化一个输入<code>Tensor</code>，作为神经网络的输入</td> 
  </tr> 
  <tr> 
   <td><code>average_pooling1d</code></td> 
   <td>一维平均池化层</td> 
  </tr> 
  <tr> 
   <td><code>average_pooling2d</code></td> 
   <td>二维平均池化层</td> 
  </tr> 
  <tr> 
   <td><code>average_pooling3d</code></td> 
   <td>三维平均池化层</td> 
  </tr> 
  <tr> 
   <td><code>batch_normalization</code></td> 
   <td>批量标准化层</td> 
  </tr> 
  <tr> 
   <td><code>conv1d</code></td> 
   <td>一维卷积层</td> 
  </tr> 
  <tr> 
   <td><code>conv2d</code></td> 
   <td>二维卷积层</td> 
  </tr> 
  <tr> 
   <td><code>conv2d_transpose</code></td> 
   <td>二维反卷积层</td> 
  </tr> 
  <tr> 
   <td><code>conv3d</code></td> 
   <td>三维卷积层</td> 
  </tr> 
  <tr> 
   <td><code>conv3d_transpose</code></td> 
   <td>三维反卷积层</td> 
  </tr> 
  <tr> 
   <td><code>dense</code></td> 
   <td>全连接层</td> 
  </tr> 
  <tr> 
   <td><code>dropout</code></td> 
   <td><code>Dropout</code>层</td> 
  </tr> 
  <tr> 
   <td><code>flatten</code></td> 
   <td><code>Flatten</code>层，把一个<code>Tensor</code>展平</td> 
  </tr> 
  <tr> 
   <td><code>max_pooling1d</code></td> 
   <td>一维最大池化层</td> 
  </tr> 
  <tr> 
   <td><code>max_pooling2d</code></td> 
   <td>二维最大池化层</td> 
  </tr> 
  <tr> 
   <td><code>max_pooling3d</code></td> 
   <td>三维最大池化层</td> 
  </tr> 
  <tr> 
   <td><code>separable_conv2d</code></td> 
   <td>二维深度可分离卷积层</td> 
  </tr> 
 </tbody> 
</table>

参数介绍： [TensorFlow之神经网络layers模块详解\_Never-Giveup的博客-CSDN博客\_神经网络layer][TensorFlow_layers_Never-Giveup_-CSDN_layer]

#### Keras.moleds.Sequential模型 ####

Sequential 模型结构： 层（layers）的线性堆栈。简单来说，它是一个简单的线性结构，没有多余分支，是多个网络层的堆叠。

*  其中，Dense是一个全连接层，它的激活函数默认为是linear线性函数
 *  激活函数可以通过 **单独的激活层** 实现，也可以通过 **构建层时传递activation实现**

### 一、读取数据 ###

Keras提供了数据集加载函数

import tensorflow as tf
    from tensorflow.keras import datasets, layers, models
    import matplotlib.pyplot as plt
    import numpy as np
    (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

查看数据维度

train_images.shape
    test_images.shape
    train_labels.shape
    test_labels.shape
    '''
    ((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
    '''

可以看到训练集有60000个28\*28的图片，60000个标签，测试集有10000个28\*28的图片，10000个标签。

plt.imshow(train_images[0])

查看一下图片是一张图片

![603ad420cf85457d95584a9c53089b12.png][]

train_images[0]

查看一下其取值

![4dfab792911d46b794a08671d872e574.png][]

查看其最大取值为多少

print(np.max(train_images))
    print(np.min(train_images))
    
    #255
    #0

那么其取值范围是\[0 , 255\]之间。

### 二、数据预处理 ###

1、在数据预处理时，首先采用reshape函数将每个图像矩阵扁平化成一个向量：

#调整数据到我们需要的格式
    train_images = train_images.reshape((60000, 28, 28, 1))
    test_images = test_images.reshape((10000, 28, 28, 1))
    
    train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
    """
    输出：((60000, 28, 28, 1), (10000, 28, 28, 1), (60000,), (10000,))
    """

2、数据归一化，将输入值\[0,255\]归一化为\[0,1\]的取值范围：

# 将像素的值标准化至0到1的区间内。
    train_images, test_images = train_images / 255.0, test_images / 255.0

3、数据可视化

plt.figure(figsize=(20,10))
    for i in range(20):
        plt.subplot(5,10,i+1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(train_images[i], cmap=plt.cm.binary)
        plt.xlabel(train_labels[i])
    plt.show()

![db750678621e436fa5ddb7484e681368.png][]

### 三、构建CNN神经网络模型 ###

model = models.Sequential([
        layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),#卷积层1，卷积核3*3
        layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
        layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
        layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
        
        layers.Flatten(),                              #Flatten层，连接卷积层与全连接层
        layers.Dense(64, activation='relu'),		   #全连接层，特征进一步提取
        layers.Dense(10)                               #输出层，输出预期结果
    ])
    # 打印网络结构
    model.summary()

![f51bb1e2ac704950bea7c31185dd725c.png][]

### 四、确定学习的目标 ###

model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])

compile函数设置了学习的目标，其中：

loss：定义了损失函数，

optimizer：指定了优化算法，

metrics：是评价指标

### 五：模型训练 ###

这里设置输入训练数据集（图片及标签）、验证数据集（图片及标签）以及迭代次数epochs

history = model.fit(train_images, train_labels, epochs=10, 
                        validation_data=(test_images, test_labels))

![52e5375f47934740a60d36a3c9aeb28b.png][]

### 六、模型评估 ###

调用evaluate函数对测试集进行评估，返回数组score，其中第一维是模型的损失值，第二维是模型评估的精度。

score= model.evaluate(test_images,test_labels)
    print("Test loss:",score[0])
    print("Test accuracy:",score[1])

![ec32a5873b5745d188de41aacd6115fc.png][]

### 七、模型的预测 ###

输出第一张测试集的预测结果

plt.imshow(test_images[1])
    pre = model.predict(test_images) # 对所有测试图片进行预测
    pre[1] # 输出第一张图片的预测结果

![11d4c5951606417f90981cfe50544f1a.png][]

![3387e0bbd6e54535aa3b398c97c94359.png][]

可以看到在第三个位置的值最大，所以预测的是2

得到预测结果：

np.argmax([pre[1]])
    #2

查看标签

test_labels[1]
    #2

预测正确

大家注意收看

> >- 本文为\[🔗365天深度学习训练营\](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客  
> >- 参考文章地址： [深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天\_K同学啊的博客-CSDN博客][100_-_CNN_mnist_ _ _1_K_-CSDN])

[CSDN21]: https://marketing.csdn.net/p/bdabfb52c5d56532133df2adc1a728fd
[8916ef6255c341c48eb59ab037528dbc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/a69d98bc023c4e85be13c2e80b7cdf36.png
[flow]: https://so.csdn.net/so/search?q=flow&spm=1001.2101.3001.7020
[fa59dd66b5d24ccb977de8e76634cd7f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/e86832ae25f14d88bfb1c389187d47e7.png
[899a94669275493880ef335b056710c2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/fc1fe251e1d641afa38af58a0e0a4a85.png
[Link 1]: https://so.csdn.net/so/search?q=%E6%B7%B1%E5%BA%A6&spm=1001.2101.3001.7020
[TensorFlow_layers_Never-Giveup_-CSDN_layer]: https://blog.csdn.net/qq_36653505/article/details/81132354
[603ad420cf85457d95584a9c53089b12.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/53a98d4341844b73a388d7503a3862b3.png
[4dfab792911d46b794a08671d872e574.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/50e1f5db5ce2425db16d687796aafe32.png
[db750678621e436fa5ddb7484e681368.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/d9eb7e02a6f846238221d571fd469fe0.png
[f51bb1e2ac704950bea7c31185dd725c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/3efa109ab4cc439f938f683de437cea8.png
[52e5375f47934740a60d36a3c9aeb28b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/2ff0e0af018a48a5ab0a590b575e11ef.png
[ec32a5873b5745d188de41aacd6115fc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/16ed4088d54941d9a1ac3b5dad1edc12.png
[11d4c5951606417f90981cfe50544f1a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/4ab3b8c76b724af2a7df240bb47ec8f2.png
[3387e0bbd6e54535aa3b398c97c94359.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/d5bcc26fae774a9db3ae5ed72efd6239.png
[100_-_CNN_mnist_ _ _1_K_-CSDN]: https://blog.csdn.net/qq_38251616/article/details/116920825