keras实现多层感知机进行手写字识别
微信公众号:数据挖掘与分析学习
1.数据准备
(x_train,y_train),(x_test,y_test)=mnist.load_data() #加载数据
#数据预处理 x_train=x_train.reshape(60000,784) x_test=x_test.reshape(10000,784) x_train=x_train.astype('float32') x_test=x_test.astype('float32') #归一化 x_train/=255 x_test/=255
#将类标签转换为one-hot向量 y_train=keras.utils.to_categorical(y_train,num_classes=num_classes) y_test=keras.utils.to_categorical(y_test,num_classes=num_classes) |
2.参数设置
batch_size=128 #批处理大小 num_classes=10 #类标签数量 epochs=20 |
3.模型构建
model=Sequential() #定义一个序贯模型 #input_shape:模型的第一层需要指明输入数据的大小,后面各层自动推断 model.add(Dense(512,activation='relu',input_shape=(784,)))#全连接层,然后激活层 model.add(Dropout(0.2))#Dropout model.add(Dense(512,activation='relu')) #全连接层 model.add(Dropout(0.2)) model.add(Dense(num_classes,activation='softmax')) #全连接,然后使用Softmax激活求概率 |
4.模型编译、训练和测试
model.compile(loss='categorical_crossentropy',optimizer=RMSprop(),metrics=['accuracy']) history=model.fit(x_train,y_train,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(x_test,y_test)) score=model.evaluate(x_test,y_test,verbose=0) print('Test loss:',score[0]) #损失 print('Test accuracy:',score[1]) #精度 |
5.打印网络结构信息
model.summary() |
输出如下:
Layer (type) Output Shape Param # ================================================================= dense_4 (Dense) (None, 512) 401920 _________________________________________________________________ dropout_3 (Dropout) (None, 512) 0 _________________________________________________________________ dense_5 (Dense) (None, 512) 262656 _________________________________________________________________ dropout_4 (Dropout) (None, 512) 0 _________________________________________________________________ dense_6 (Dense) (None, 10) 5130 ================================================================= Total params: 669,706 Trainable params: 669,706 Non-trainable params: 0 |
阅读更多
- 多层感知机实现mnist手写数字识别
- keras 实现CNN 进行手写字符识别
- 各种机器学习方法(线性回归、支持向量机、决策树、朴素贝叶斯、KNN算法、逻辑回归)实现手写数字识别并用准确率、召回率、F1进行评估
- 神经网络_多层感知机MLP_以mnist为例(tensorflow和keras实现)
- [keras]1.多层感知机实现
- 【Keras案例学习】 多层感知机做手写字符分类(mnist_mlp )
- tensorflow和Keras 实现kaggle手写识别Digit Recognizer(三)卷积神经网络
- tensorflow 学习专栏(五):在mnist数据集上使用tensorflow实现临近算法(Nearest-Neighbor)进行手写数字识别
- TensorFlow笔记(二)---多层感知机识别手写数字
- keras:1)初体验-MLP神经网络实现MNIST手写识别
- [置顶] 【python keras实战】利用VGG卷积神经网络进行手写字体识别
- tensorflow实现logistic回归进行手写字识别
- 深度学习:多层感知机MLP数字识别的代码实现
- TensorFlow学习笔记(二):手写数字识别之多层感知机
- Tensorflow实战——利用多层感知机识别手写数字
- 利用tensorflow一步一步实现基于MNIST 数据集进行手写数字识别的神经网络,逻辑回归
- keras实现Unet进行字符定位与识别分类
- keras入门 利用卷积神经网络进行手写数字识别
- keras迁移学习 使用vgg16进行手写数字识别
- 【TensorFlow-windows】(一)实现Softmax Regression进行手写数字识别(mnist)