（五） Keras Adam优化器以及CNN应用于手写识别

视频学习来源

https://www.bilibili.com/video/av40787141?from=search&seid=17003307842787199553

笔记

Adam，常用优化器之一

大多数情况下，adma速度较快，达到较优值迭代周期较少，

一般比SGD效果好

CNN应用于手写识别

import numpy as np
from keras.datasets import mnist  #将会从网络下载mnist数据集
from keras.utils import np_utils
from keras.models import Sequential  #序列模型
#Convolution2D 是2维卷积
#MaxPooling2D 是2维最大池化
#Flatten 数据扁平化（降维）
from keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten  #在这里导入dropout
from keras.optimizers import Adam

C:\Program Files (x86)\Microsoft Visual Studio\Shared\Anaconda3_64\lib\site-packages\h5py\__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.

from ._conv import register_converters as _register_converters

Using TensorFlow backend.

#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#查看格式
#（60000,28,28）
print('x_shape:',x_train.shape)
#（60000）
print('y_shape:',y_train.shape)

#转化为4维
#最后一个维度图片深度，1表示黑白，3表示彩色
#rgb是红绿蓝三通道0-255表示各个通道的颜色深度
#（60000,28,28）->(60000,28,28,1)
#-1表示自动设置
#除以255是做数据归一化处理
x_train=x_train.reshape(-1,28,28,1)/255.0 #转换数据格式
x_test=x_test.reshape(-1,28,28,1)/255.0 #转换数据格式
#label标签转换成 one  hot 形式
y_train=np_utils.to_categorical(y_train,num_classes=10) #分成10类
y_test=np_utils.to_categorical(y_test,num_classes=10) #分成10类

#定义序列模型
model=Sequential()

#第一个卷积层
#input_shape 输入平面
#filters 卷积核/滤波器个数
#kernel_size 卷积窗口大小
#strides 步长
#padding padding方式 same/valid
#activation 激活函数
model.add(Convolution2D(
    input_shape=(28,28,1),#只需要在第一次添加输入平面
    filters=32,
    kernel_size=5,
    strides=1,
    padding='same',
    activation='relu'
))

#平面大小28x28，用same padding得到的和上一次一样，也是28x28，有32个特征图
#池化后变成14x14,32个特征图

#第一个池化层
model.add(MaxPooling2D(
    pool_size=2,  # 池化窗口大小 2x2的窗口
    strides=2,
    padding='same'
))

#第二个卷积层
#filters=64 kernel_seize=5
model.add(Convolution2D(64,5,strides=1,padding='same',activation='relu'))

#第二个卷积层后64个特征图，14x14
#第二个池化层后64个特征图，7x7

#第二个池化层
model.add(MaxPooling2D(2,2,'same'))

#把第二个池化层的输出扁平化为1维
#长度 64x7x7
model.add(Flatten())

#第一个全连接层
#1024个神经元
model.add(Dense(1024,activation='relu'))

#Dropout
#训练时百分之40个神经元不工作
model.add(Dropout(0.4))

#第二个全连接层
model.add(Dense(10,activation='softmax'))

#定义优化器
#学习速率为10的负4次方
adam=Adam(lr=1e-4)

#定义优化器，损失函数，训练效果中计算准确率
model.compile(
    optimizer=adam, #sgd优化器
    loss='categorical_crossentropy',  #损失用交叉熵，速度会更快
    metrics=['accuracy'],  #计算准确率
)

#训练
#六万张，每次训练64张，训练10个周期（六万张全部训练完算一个周期）
model.fit(x_train,y_train,batch_size=64,epochs=10)

#评估模型
loss,accuracy=model.evaluate(x_test,y_test)

print('\ntest loss',loss)
print('\ntest accuracy',accuracy)

loss,accuracy=model.evaluate(x_train,y_train)

print('\ntrain loss',loss)
print('\ntrain accuracy',accuracy)

x_shape: (60000, 28, 28)

y_shape: (60000,)

Epoch 1/10

60000/60000 [==============================] - 251s 4ms/step - loss: 0.3163 - acc: 0.9127

Epoch 2/10

60000/60000 [==============================] - 263s 4ms/step - loss: 0.0861 - acc: 0.9745

Epoch 3/10

60000/60000 [==============================] - 275s 5ms/step - loss: 0.0606 - acc: 0.9812

Epoch 4/10

60000/60000 [==============================] - 266s 4ms/step - loss: 0.0469 - acc: 0.9858

Epoch 5/10

60000/60000 [==============================] - 264s 4ms/step - loss: 0.0392 - acc: 0.9878

Epoch 6/10

60000/60000 [==============================] - 267s 4ms/step - loss: 0.0333 - acc: 0.9894

Epoch 7/10

60000/60000 [==============================] - 272s 5ms/step - loss: 0.0284 - acc: 0.9915

Epoch 8/10

60000/60000 [==============================] - 267s 4ms/step - loss: 0.0255 - acc: 0.9921

Epoch 9/10

60000/60000 [==============================] - 268s 4ms/step - loss: 0.0209 - acc: 0.9934

Epoch 10/10

60000/60000 [==============================] - 256s 4ms/step - loss: 0.0185 - acc: 0.9944

10000/10000 [==============================] - 14s 1ms/step

test loss 0.020771756899070168

test accuracy 0.9934

60000/60000 [==============================] - 78s 1ms/step

train loss 0.009774932912984514

train accuracy 0.9973666666666666