记录|深度学习100例-卷积神经网络（CNN）minist数字分类

记录|深度学习100例-卷积神经网络（CNN）minist数字分类 | 第1天

news/2024/9/21 21:11:47

记录|深度学习100例-卷积神经网络（CNN）minist数字分类 | 第2天

1. minist0-9数字分类效果图

数据集如下：
在这里插入图片描述 分类及预测图如下：预测标签值和真实标签值如下图所示，成功预测

训练Loss/Accuracy图如下：
在这里插入图片描述

源码

# 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
# USAGE
# python img_digit1.pyimport matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from tensorflow.keras import datasets, layers, modelsgpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0]  # 如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True)  # 设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0], "GPU")# 导入数据
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()# 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 / 255.0print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)# 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))
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)# 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()# 构建网络
model = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),  # 卷积层1，卷积核3*3layers.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*3layers.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()# 编译模型
"""
设置优化器、损失函数以及metrics
这三者具体介绍可参考：https://blog.csdn.net/qq_38251616/category_10258234.html
"""
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# 训练模型
"""
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
关于model.fit()函数的具体介绍可参考：https://blog.csdn.net/qq_38251616/category_10258234.html
"""
history = model.fit(train_images, train_labels, epochs=8,validation_data=(test_images, test_labels))pre = model.predict(test_images)
print('pre: ' + str(np.argmax(pre[2])) + ' real: ' + str(test_labels[2]))plt.imshow(test_images[2])
plt.xticks([])
plt.yticks([])
plt.xlabel('pre: ' + str(np.argmax(pre[2])) + ' real: ' + str(test_labels[2]))
plt.show()plt.plot(history.history["loss"], label="train_loss")
plt.plot(history.history["val_loss"], label="val_loss")
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.title("Training Loss and Accuracy (Simple NN)")
plt.xlabel('Epoch')
plt.ylabel('Loss/Accuracy')
# plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(test_acc)