keras—多层感知器MLP—MNIST手写数字识别

　　一、手写数字识别

现在就来说说如何使用神经网络实现手写数字识别。 在这里我使用mind manager工具绘制了要实现手写数字识别需要的模块以及模块的功能： 

其中隐含层节点数量（即神经细胞数量）计算的公式（这只是经验公式，不一定是最佳值）：

m=n+l−−−−√+am=n+l+a 

m=log2nm=log2⁡n 

m=nl−−√m=nl 

• m: 隐含层节点数
• n: 输入层节点数
• l：输出层节点数
• a：1-10之间的常数

本例子当中：

• 输入层节点n：784
• 输出层节点：10 （表示数字 0 ~ 9）

• 隐含层选30个，训练速度虽然快，但是准确率却只有91% 左右，如果将这个数字变为100 或是300，其训练速度回慢一些

  ，但准确率可以提高到93%~94% 左右。

  因为这是使用的MNIST的手写数字训练数据，所以它的图像的分辨率是28 * 28，也就是有784个像素点，其下载地址为：http://yann.lecun.com/exdb/mnist/

  二、查看数据程序

• 48000作为训练数据，12000作为验证数据，10000作为预测数据

•  #coding=utf-
   import numpy as np             #导入模块，numpy是扩展链接库
   import pandas as pd             #类似一个本地的excel，偏向现在的非结构化的数据库
   import tensorflow as tf
   import keras
   from keras.utils import np_utils
   np.random.seed()            #设置seed可以产生的随机数据
   from keras.datasets import mnist  #导入模块，下载读取mnist数据
   (x_train_image,y_train_label),\
   (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
   print('train data=',len(x_train_image))
   print('test data=',len(x_test_image))
   print('x_train_image:',x_train_image.shape)
   print('y_train_label:',y_train_label.shape) #查看数据
   import matplotlib.pyplot as plt
   def plot_image(image):                      #定义显示函数
       fig=plt.gcf()
       fig.set_size_inches(,)           #设置显示图形的大小
       plt.imshow(image,cmap='binary')    #黑白灰度显示
       plt.show()                         #开始画图
   y_train_label[]                       #查看第0项label数据
   import matplotlib.pyplot as plt
   def plot_image_labels_prediction(image,lables,prediction,idx,num=):#显示多项数据
       fig=plt.gcf()
       fig.set_size_inches(,)        #设置显示图形的大小
       if num>:num=
       for i in range(,num):            #画出num个数字图形
           ax=plt.subplot(,,i+)       #建立subplot字图形为5行5列
           ax.imshow(image[idx],cmap='binary')   #画出subgraph
           title="lable="+str(lables[idx])       #设置字图形title，显示标签字段
           if len(prediction)>:                 #如果传入了预测结果
               title+=",predict="+str(prediction[idx])     #标题
           ax.set_title(title,fontsize=)                 #设置字图形的标题
           ax.set_xticks([]);ax.set_yticks([])             #设置不显示刻度
           idx+=                               #读取下一项
       plt.show()
   plot_image_labels_prediction(x_train_image,y_train_label,[],,)#查看训练数据前10项
   plot_image_labels_prediction(x_test_image,y_test_label,[],,)  #查看测试数据前10项

  三、运行结果

• 

• 四、训练预测识别程序

•  #coding=utf-8
   #1.数据预处理
   import numpy as np             #导入模块，numpy是扩展链接库
   import pandas as pd
   import tensorflow
   import keras
   from keras.utils import np_utils
   np.random.seed(10)            #设置seed可以产生的随机数据
   from keras.datasets import mnist  #导入模块，下载读取mnist数据
   (x_train_image,y_train_label),\
   (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
   print('train data=',len(x_train_image))
   print('test data=',len(x_test_image))
   print('x_train_image:',x_train_image.shape)
   print('y_train_label:',y_train_label.shape)
   import matplotlib.pyplot as plt
   def plot_image(image):
       fig=plt.gcf()
       fig.set_size_inches(2,2)
       plt.imshow(image,cmap='binary')
       plt.show()
   y_train_label[0]
   import matplotlib.pyplot as plt
   def plot_image_labels_prediction(image,lables,prediction,idx,num=10):
       fig=plt.gcf()
       fig.set_size_inches(12,14)
       if num>25:num=25
       for i in range(0,num):
           ax=plt.subplot(5,5,i+1)
           ax.imshow(image[idx],cmap='binary')
           title="lable="+str(lables[idx])
           if len(prediction)>0:
               title+=",predict="+str(prediction[idx])
           ax.set_title(title,fontsize=10)
           ax.set_xticks([]);ax.set_yticks([])
           idx+=1
       plt.show()
   plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)
   plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)
   x_Train=x_train_image.reshape(60000,784).astype('float32') #以reshape转化成784个float
   x_Test=x_test_image.reshape(10000,784).astype('float32')
   x_Train_normalize=x_Train/255    #将features标准化
   x_Test_normalize=x_Test/255
   y_Train_OneHot=np_utils.to_categorical(y_train_label)#将训练数据和测试数据的label进行one-hot encoding转化
   y_Test_OneHot=np_utils.to_categorical(y_test_label)
   #2.建立模型
   from keras.models import Sequential #可以通过Sequential模型传递一个layer的list来构造该模型,序惯模型是多个网络层的线性堆叠
   from keras.layers import Dense    #全连接层
   model=Sequential()
   #建立输入层、隐藏层
   model.add(Dense(units=256,
                   input_dim=784,
                   kernel_initializer='normal',
                   activation='relu'))
   #建立输出层
   model.add(Dense(units=10,
                   kernel_initializer='normal',
                   activation='softmax'))
   print(model.summary())
   #3、进行训练
   #对训练模型进行设置，损失函数、优化器、权值
   model.compile(loss='categorical_crossentropy',
                 optimizer='adam',metrics=['accuracy'])
   # 设置训练与验证数据比例，80%训练，20%测试，执行10个训练周期，每一个周期200个数据，显示训练过程2次
   train_history=model.fit(x=x_Train_normalize,
                           y=y_Train_OneHot,validation_split=0.2,
                           epochs=10,batch_size=200,verbose=2)
   #显示训练过程
   import matplotlib.pyplot as plt
   def show_train_history(train_history,train,validation):
       plt.plot(train_history.history[train])
       plt.plot(train_history.history[validation])
       plt.title('Train History')
       plt.ylabel(train)
       plt.xlabel('Epoch')
       plt.legend(['train','validation'],loc='upper left')    #显示左上角标签
       plt.show()
   show_train_history(train_history,'acc','val_acc')   #画出准确率评估结果
   show_train_history(train_history,'loss','val_loss') #画出误差执行结果
   #以测试数据评估模型准确率
   scores=model.evaluate(x_Test_normalize,y_Test_OneHot)   #创建变量存储评估后的准确率数据，（特征值，真实值）
   print()
   print('accuracy',scores[1])
   #进行预测
   prediction=model.predict_classes(x_Test)
   prediction
   plot_image_labels_prediction(x_test_image,y_test_label,prediction,idx=340)

• 五、运行结果

• 

  

• 

  

• 评估模型准确率结果为：0.9754

• 

• 预测结果：有一个潦草的5预测错误为3
•