莫烦大大keras学习Mnist识别（3）-----CNN

一、步骤：

1. 导入模块以及读取数据

2. 数据预处理

3. 构建模型

4. 编译模型

5. 训练模型

6. 测试

二、代码：

1. 导入模块以及读取数据

#导包
import numpy as np
np.random.seed(1337)
# from keras.datasets import mnist
from keras.utils import np_utils # 主要采用这个模块下的to_categorical函数，将该函数转成one_hot向量
from keras.models import Sequential #keras的模型模块
from keras.layers import Dense , Activation , Convolution2D, MaxPooling2D, Flatten  #keras的层模块
from keras.optimizers import Adam #keras的优化器



#读取数据，因为本地已经下载好数据在绝对路径：E:\jupyter\TensorFlow\MNIST_data下，直接采用TensorFlow来读取
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('E:\jupyter\TensorFlow\MNIST_data',one_hot = True)

X_train = mnist.train.images
Y_train = mnist.train.labels
X_test = mnist.test.images
Y_test = mnist.test.labels

2、数据预处理

x原本的shape为（55000，784），55000表示样本数量，784表示一个图像样本拉成一个向量的大小，故要将其转成28*28这种长×宽的形式。（-1，1，28，28）中的-1是之后batch_size的大小，即一次取batch大小的样本来训练，1，28，28表示高为1，长为28，宽为28。

#数据预处理
X_train = X_train.reshape(-1,1,28,28)
X_test = X_test.reshape(-1,1,28,28)
y_train = np_utils.to_categorical(Y_train,num_classes = 10)#to_categorical将标签转化成ont-hot
y_test = np_utils.to_categorical(Y_test,num_classes = 10)

 

3、构建模型

2个卷积层【包括卷积+激活relu+最大池化】+2个全连接层

#模型构建
model = Sequential()  #建立一个序列模型

#在这个模型首层添加一个卷积层，一个卷积过滤器大小为5*5，32个过滤器，采用的padding模式是same，即通过补0使输入输出大小一下。首层要加一个输入大小（1，28，28）
model.add(Convolution2D(
    nb_filter = 32,
    nb_row = 5,
    nb_col = 5,
    border_mode = 'same',
    input_shape = (1,28,28)
))

#接着加一个激活层
model.add(Activation('relu'))

#接着加一个最大池化层，pool大小为（2，2），strides步长长移动2，宽移动2。padding采用same模式
model.add(MaxPooling2D(
    pool_size = (2,2),
    strides = (2,2),
    border_mode = 'same',
))

#卷积层2
model.add(Convolution2D(64,5,5,border_mode = 'same'))

#激活层2
model.add(Activation('relu'))

#池化层2
model.add(MaxPooling2D(pool_size = (2,2),border_mode = 'same'))

#进行全连接之前将矩阵展开成一个长向量
model.add(Flatten())

#全连接层1，大小有1024个参数
model.add(Dense(1024))

#激活层
model.add(Activation('relu'))

#全连接层2，大小为10
model.add(Dense(10))

#输出层加一个softmax处理
model.add(Activation('softmax'))

4、编译模型：model.compile

采用model.compile来编译，函数内参数说明优化器optimizer、损失函数loss、评价标准metrics。

#编译模型
adam = Adam(lr = 1e-4)
model.compile(optimizer=adam,
             loss = 'categorical_crossentropy',
             metrics = ['accuracy'])

5、训练模型：model.fit

类似sklearn中的形式

model.fit(X_train,Y_train,nb_epoch = 20,batch_size = 32)

6、测试：model.evaluate

输出测试的损失和准确度

loss , acc = model.evaluate(X_test,y_test)