神经网络：手写数字图像识别

一、导入相关库函数

import matplotlib.pyplot as plt
import tensorflow as tf
import keras
import numpy as np

二、载入mnist数据集 

使用keras.中的mnist数据集

(train_images, train_labels), (test_images, test_labels)=\
keras.datasets.mnist.load_data()

三、测试数据的情况，数据集图像和label标签

x = train_images[2]
y = train_labels[2]
plt.title('label: %i' % y)
plt.imshow(x, cmap=plt.cm.gray_r, interpolation='nearest')

四、建立神经网络模型

keras中有API帮助建立，用Sequential的AIP建立

model = keras.Sequential([
    #模型是多层的，底层是输入层，做Flatten,input_shape分辨率28*28
    keras.layers.Flatten(input_shape=(28,28)),
    #隐藏层，使用relu
    keras.layers.Dense(128, activation=tf.nn.relu),
    #输出层,10分类，数字从0~9，一共10种（选择softmax）
    keras.layers.Dense(10,activation=tf.nn.softmax)
])

五、将模型进行compile，优化器optimizers.Adam()，选择损失函数loss，用精度来度量

model.compile(optimizer=tf.optimizers.Adam(),
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

六、打印model，神经网络模型，三层结构

看一下神经网络模型结构：三层，输入层784，隐藏层128，输出层10

model.summary()

七、训练神经网络模型，精度在增长，loss减少 

epochs迭代次数，这里选择10次迭代

model.fit(train_images,train_labels,epochs=10)

八、评估，测试模型性能

test_loss,test_acc = model.evaluate(test_images, test_labels)

九、训练的模型进行预测

predictions = model.predict(test_images)

十、测试模型，用测试集进行

预测结果为

[0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]，1的index为2，预测值为2，和真实值一致，预测成功。

x_test = test_images[888]
y_test = test_labels[888]
y_pred = predictions[888]

#打印x_test图像
plt.imshow(x_test,cmap=plt.cm.gray_r,interpolation='nearest')

y_pred2 = np.around(
    y_pred,
    decimals=1
)
print(y_pred2)

output:

[0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]

十一、完整代码 

import matplotlib.pyplot as plt
import tensorflow as tf
import keras
import numpy as np

#载入mnist数据集
(train_images, train_labels), (test_images, test_labels)=\
keras.datasets.mnist.load_data()

#建立神经网络模型
#keras中有API帮助建立，用Sequential的AIP建立
model = keras.Sequential([
    #模型是多层的，底层是输入层，做Flatten,input_shape分辨率28*28
    keras.layers.Flatten(input_shape=(28,28)),
    #隐藏层，使用relu
    keras.layers.Dense(128, activation=tf.nn.relu),
    #输出层,10分类，数字从0~9，一共10种（选择softmax）
    keras.layers.Dense(10,activation=tf.nn.softmax)
])

#将模型进行compile，优化器optimizers.Adam()，选择损失函数loss，用精度来度量
model.compile(optimizer=tf.optimizers.Adam(),
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

#训练神经网络模型，精度在增长，loss减少
#epochs迭代次数，这里选择10次迭代
model.fit(train_images,train_labels,epochs=10)

#评估，测试模型性能
#在测试数据集上进行评估
test_loss,test_acc = model.evaluate(test_images, test_labels)

#刚刚训练的模型进行预测
predictions = model.predict(test_images)

x_test = test_images[888]
y_test = test_labels[888]
y_pred = predictions[888]

#打印x_test图像
plt.imshow(x_test,cmap=plt.cm.gray_r,interpolation='nearest')

y_pred2 = np.around(
    y_pred,
    decimals=1
)
print(y_pred2)