- from sklearn.datasets import load_digits
- digits = load_digits()
源代码：
1 from sklearn.datasets import load_digits 2 from sklearn.preprocessing import MinMaxScaler 3 from sklearn.preprocessing import OneHotEncoder 4 import numpy as np 5 from sklearn.model_selection import train_test_split 6 import matplotlib.pyplot as plt 7 #1.手写数字数据集 8 digits=load_digits() #获取数据 9 #转换类型 10 X_data=digits.data.astype(np.float32) 11 Y_data=digits.target.astype(np.float32).reshape(-1,1)#将Y_data变为一列
结果：
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
源代码：
1 #2.图片数据预处理 2 scaler=MinMaxScaler() 3 #x：归一化MinMaxScaler() 4 X_data=scaler.fit_transform(X_data) 5 6 #y：独热编码OneHotEncoder() 7 Y=OneHotEncoder().fit_transform(Y_data).todense() 8 9 #转换为图片的格式（batch,height,width,channels） 10 X=X_data.reshape(-1,8,8,1) 11 12 #训练集测试集划分 13 x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,random_state=0,stratify=Y) 14 print(x_train.shape,x_test.shape,y_train.shape,y_test.shape)
结果：
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。
源代码：
1 #3.设计卷积神经网络结构 2 import os 3 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 4 # 导入相关包 5 from tensorflow.keras.models import Sequential 6 from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D 7 8 # 建立模型 9 model = Sequential() 10 # 一层卷积 11 model.add(Conv2D(filters=16,kernel_size=(5, 5),padding='same',input_shape=x_train.shape[1:],activation='relu')) 12 # 池化层1 13 model.add(MaxPool2D(pool_size=(2, 2))) 14 model.add(Dropout(0.25)) 15 # 二层卷积 16 model.add(Conv2D(filters=32,kernel_size=(5, 5),padding='same',activation='relu')) 17 # 池化层2 18 model.add(MaxPool2D(pool_size=(2, 2))) 19 model.add(Dropout(0.25)) 20 # 三层卷积 21 model.add(Conv2D(filters=64,kernel_size=(5, 5),padding='same',activation='relu')) 22 # 四层卷积 23 model.add(Conv2D(filters=128,kernel_size=(5, 5),padding='same',activation='relu')) 24 # 池化层3 25 model.add(MaxPool2D(pool_size=(2, 2))) 26 model.add(Dropout(0.25)) 27 28 model.add(Flatten()) # 平坦层 29 model.add(Dense(128, activation='relu')) # 全连接层 30 model.add(Dropout(0.25)) 31 model.add(Dense(10, activation='softmax')) # 激活函数 32 33 model.summary()
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)
源代码：
1 #4.模型训练 2 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 3 train_history = model.fit(x=x_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
结果：
第一次训练
第二次训练
5.模型评价
- model.evaluate()
- 交叉表与交叉矩阵
- pandas.crosstab
- seaborn.heatmap
源代码：
1 #5.模型评价 2 score =model.evaluate(x_test,y_test) 3 print(score) 4 5 #预测值 6 y_pred=model.predict_classes(x_test) 7 y_pred[:10] 8 y_test[:10] 9 10 #交叉表查看预测数据与原数据对比 11 import pandas as pd 12 import seaborn as sns 13 y_test1=np.argmax(y_test,axis=1).reshape(-1) 14 y_test1=np.array(y_test1)[0]#记得要将数据提取为一维的 不然后面的会报错 15 y_test1.shape 16 y_pred.shape 17 18 a=pd.crosstab(np.array(y_test1),y_pred,rownames=['lables'],colnames=['predict']) 19 #转换成dataframe 20 df=pd.DataFrame(a) 21 sns.heatmap(df,annot=True,cmap="YlGnBu",linewidths=0.2,linecolor='G') 22 plt.show()
结果：
