Python手写数字识别——卷积神经网络训练model

逃离我推掉我的手 2023-10-07 11:29 56阅读 0赞

### 卷积 ###

卷积(Convolution)，也叫摺积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积。

### 卷积神经网络 ###

卷积神经网络(Convolutional Neural Network，CNN或ConvNet)是一种具有局部连接、权重共享等特性的深层前馈神经网络。卷积神经网络由卷积层、汇聚层和全连接层交叉堆叠而成，利用反向传播算法进行训练。卷积神经网络有三个特性：局部连接、权重共享以及子采样，这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性，和前馈神经网络相比，其参数较少。

### 卷积层 ###

卷积层的作用是提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器。由于卷积网络主要应用在图像处理上，而图像为两维结构，因此为了更充分地利用图像的局部信息，通常将神经元组织为三维结构的神经层，其大小为高度 M × 宽度N×深度D，由D个M ×N大小的特征映射构成。

### 汇聚层(池化层) ###

汇聚层(Pooling Layer)也叫子采样层(Subsampling Layer)，其作用是进行特征选择，降低特征数量，从而减少参数数量。池化也称为下采样，主要用于特征降维，压缩数据和参数数量，减小过拟合，提高模型的容错性，常用的有最大池化和平均池化。

### 全连接层 ###

在卷积神经网络最后会加一个flatten层，将之前所得到的feature map“压平”，然后用一个全连接层输出最后的结果，如果是分类的话，一般会利用softmax激活函数,最后就可以输出相应的分类结果了。

### 书写数字识别model训练过程 ###

此次卷积神经网络训练mnist，使用了3层卷积，1层全连接，激活函数为 softmax

##### 下载mnist数据集，代码如下 #####

mnist = keras.datasets.mnist
    (x_train,y_train),(x_test,y_test) = mnist.load_data()

##### 第一层卷积 #####

# 一层卷积
    model.add(
        Conv2D(
            filters=16,
            kernel_size=(5, 5),
            padding='same',  # 保证卷积核大小，不够补零
            input_shape=(28, 28, 1),
            activation='relu'))

##### 第一层 池化 #####

# 池化层1
    model.add(MaxPool2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

##### 第二层卷积和池化 #####

# 二层卷积
    model.add(
        Conv2D(filters=32, kernel_size=(5, 5), padding='same', activation='relu'))
    # 池化层2
    model.add(MaxPool2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

##### 第三层卷积和池化层 #####

model.add(
        Conv2D(filters=64, kernel_size=(5, 5), padding='same', activation='relu'))
    model.add(
        Conv2D(filters=128, kernel_size=(5, 5), padding='same', activation='relu'))
    model.add(MaxPool2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

##### 全连接层 #####

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

##### 训练模型 #####

# 训练模型
    model.compile(loss='categorical_crossentropy',
                  optimizer='adam',
                  metrics=['accuracy'])
    train_history = model.fit(x=X_train4D_Normalize,
                              y=y_trainOnehot,
                              validation_split=0.2,
                              batch_size=300,
                              epochs=10,
                              verbose=2)

最后的效果还可以，训练准确率可以达到99%，测试准确率可以达到97%

此程序配合之前的手写板程序即可实现手写数字识别任务。

大家对程序有任何疑问或建议均可留言，感谢大家支持！！！