1.手写数字数据集
- from sklearn.datasets import load_digits
- digits = load_digits()
2.图片数据预处理
- x：归一化MinMaxScaler()
- y：独热编码OneHotEncoder()或to_categorical
- 训练集测试集划分
- 张量结构
3.设计卷积神经网络结构
- 绘制模型结构图，并说明设计依据。
先导入相关的包
然后设计模型结构，因为图片是（8,8）的像素规模，在池化方面，就最多能池化3次
在卷积上，可以多次卷积，我选择的（3,3）的卷积核，然后卷积的方式是same，即卷积完成后，得到和卷积前同样大小的结果。
构建模型结果：
4.模型训练
- model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
- train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
5.模型评价
- model.evaluate()
- 交叉表与交叉矩阵
- pandas.crosstab
- seaborn.heatmap
观察预测值和实际值
通过交叉矩阵观察预测值与实际值的符合情况
通过热力图观察预测值与实际值的符合程度
小结：模型构建完成后，得到的精确率在96%左右，说明模型的构建还是有一定的不足，应该更加优化卷积和池化的安排，尝试不同的卷积核得到的模型
从热力图看得出来，在预测数字8的时候容易和数字1混淆，如果是实际应用中则需要加多数字8的样本，让模型能够更好的学习到数字8的特征。也能进行更好的预测。