Convolutional Neural Network (CNN) for mnist handwritten digit recognition

活动地址：CSDN21天学习挑战赛

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.The intuitive picture of the tensor flowing through the graph is its name“TensorFlow”的原因.

张量Tensor：在数学上,张量是N维向量,This means that tensors can be used to representN维数据集.

计算图(流, flow)：A stream refers to a computational graph or simply a graph,Graphs cannot form cycles,Each node in the graph represents an operation,如加法、减法等.Each operation results in the formation of a new tensor.

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.If this picture is not a neural network,所以使用TensorFlow框架. 

什么是Keras？

Keras是基于TensorFlow或者TheanoA deep learning library under the framework,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TensorFlowOfficial seniorAPI.

tf.keras和keras的联系

基于同一套API,但是因为tf.keras中比kerasA little more special function,So it can be easily putkeras程序迁移到tf.keras中,但是tf.kerasThe code in is not a catch-all to move tokeras中运行.

Specifications are the same,The format of the model export is also the same.

 keras.layers模块

TensorFlow的layersModules are provided for深度Higher-level encapsulation of learningAPI,Use it to easily build models.tf.layersThe methods provided by the module are：

 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

 Keras.moleds.Sequential模型

Sequential 模型结构： 层（layers）linear stack of.简单来说,It is a simple linear structure,No extra branches,is a stack of multiple network layers.

• 其中,Dense是一个全连接层,Its activation function defaults to yeslinear线性函数
• The activation function can be passed A separate activation layer 实现,也可以通过 Passed when building the layeractivation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

train_images[0]

 Check out its value

 Check its maximum value

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()

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()

 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))

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])

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

It can be seen that the value at the third position is the largest,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

Everyone pay attention to watching

>- 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)