《TensorFlow+Keras深度学习人工智能实践应用》林大贵著第六章第七章代码

书本上提供的代码下载地址失效了

第六章 kerasMNIST手写数字识别数据集和第七章Keras多层感知器识别手写数字的代码

单纯的按书上的顺序copy下来的，自己加了点注释

jupyter notebook上实现

import numpy as np
import pandas as pd
from keras.utils import np_utils
np.random.seed(10)
from keras.datasets import mnist

(X_train_image,y_train_label),\
(X_test_image,y_test_label)=mnist.load_data()
print('train data=',len(X_train_image))
print('test data=',len(X_test_image))
print('X_train_image:',X_train_image.shape)
print('y_train_label:',y_train_label.shape)

import matplotlib.pyplot as plt
def plot_image(image):fig=plt.gcf()fig.set_size_inches(2,2)plt.imshow(image,cmap='binary')plt.show()plot_image(X_train_image[0])
y_train_label[0]

import matplotlib.pyplot as plt
def plot_images_labels_prediction(image,labels,prediction,idx,num=10):
#num要显示的数据项数，默认为10，最大25fig=plt.gcf()fig.set_size_inches(12,14)if num>25:num=25for i in range(0,num):ax=plt.subplot(5,5,1+i)ax.imshow(image[idx],cmap='binary')title="label="+str(labels[idx])itle='label='+str(labels[idx])if(len(prediction)>0):title+=",prediction="+str(prediction[idx])ax.set_title(title,fontsize=10)ax.set_xticks([])ax.set_yticks([])idx+=1plt.show()plot_images_labels_prediction(X_train_image,y_train_label,[],0,10)

print('X_test_image:',X_test_image.shape)
print('y_test_label:',y_test_label.shape)

plot_images_labels_prediction(X_test_image,y_test_label,[],0,10)

X_Train=X_train_image.reshape(60000,784).astype('float32')
#将28*28的数字图像reshape转换为一维向量，astype转为float
X_Test=X_test_image.reshape(10000,784).astype('float32')
print('X_Train:',X_Train.shape)
print('X_Test:',X_Test.shape)
X_train_image[0]
X_Train_normalize=X_Train/255
X_Test_normalize=X_Test/255
X_Train_normalize[0]

y_train_label[:5]
y_Train_OneHot=np_utils.to_categorical(y_train_label) #np_utils.to_categorical进行热编码转换
y_Test_OneHot=np_utils.to_categorical(y_test_label)print(y_train_label[:5])#转换前
y_Train_OneHot[:5]#转换后，每个label用10个0,1来表示，对应10个神经元

用多层感知机来训练

#数据预处理
import numpy as np
from keras.utils import np_utils
from keras.datasets import mnist
np.random.seed(10)(x_train_image,y_train_label),(x_test_image,y_test_label)=mnist.load_data()
x_Train=x_train_image.reshape(60000,784).astype('float32')
x_Test=x_test_image.reshape(10000,784).astype('float32')
x_Train_normalize=x_Train/255
x_Test_normalize=x_Test/255
y_Train_OneHot=np_utils.to_categorical(y_train_label)
y_Test_OneHot=np_utils.to_categorical(y_test_label)#建立模型
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
model=Sequential()#Sequential模型
#units隐藏层神经元个数，输入层的神经元个数784，使用正态分布的随机数来初始化权重和偏差，激活函数为relu
model.add(Dense(units=1000,input_dim=784,kernel_initializer='normal',activation='relu'))
model.add(Dropout(0.5))#加入第二层隐藏层
model.add(Dense(units=1000,kernel_initializer='normal',activation='relu'))
model.add(Dropout(0.5))
#输出层的神经元个数10，使用正态分布的随机数来初始化权重和偏差，激活函数为sofmax
model.add(Dense(units=10,kernel_initializer='normal',activation='relu'))
#查看模型
print(model.summary())

#compile对训练模型进行设置
#loss为交叉熵，adam优化器，metrics模型评估的方式是准确率
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])#开始训练
#训练过程会储存在train_history中，x特征值，y真实的label，validation_split训练与验证数据集的比例
#epoch训练周期，batch_size每一批次的数据，
train_history=model.fit(x=x_Train_normalize,y=y_Train_OneHot,validation_split=0.2,epochs=10,batch_size=200,verbose=2)

import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):plt.plot(train_history.history[train])plt.plot(train_history.history[validation])plt.title('train history')plt.xlabel('Epoch')plt.ylabel('train')plt.legend(['train','validation'],loc='upper left')plt.show()
show_train_history(train_history,'acc','val_acc')
show_train_history(train_history,'loss','val_loss')
#评估模型准确率
scores=model.evaluate(x_Test_normalize,y_Test_OneHot)
print('accuracy=',scores[1])

#进行预测
prediction=model.predict_classes(x_Test)
plot_images_labels_prediction(x_test_image,y_test_label,prediction,idx=340)

#建立混淆矩阵
import pandas as pd
pd.crosstab(y_test_label,prediction,rownames=['label'], colnames=['predict'])

《TensorFlow+Keras深度学习人工智能实践应用》林大贵著第六章第七章代码相关推荐

Windows+Anaconda+tensorflow+keras深度学习框架搭建--reproduced
转载于网络,已备查用. 现在把windows下的Anaconda+tensorflow+keras深度学习框架搭建过程记录如下 1.下载安装Anaconda记住支持版本一定是python3以上的版本 ...
TensorFlow深度学习应用实践
http://product.dangdang.com/25207334.html 内容简介本书总的指导思想是在掌握深度学习的基本知识和特性的基础上,培养使用TensorFlow进行实际编程以 ...
windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境
windows7系统,NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe.TensorFlow.Keras深度学习GPU环境事情的由来第一步,你得先有个windows7操作 ...
深度学习算法实践（基于Theano和TensorFlow）
深度学习算法实践(基于Theano和TensorFlow) 闫涛周琦著 ISBN:9787121337932 包装:平装开本:16开用纸:胶版纸正文语种:中文出版社:电子工业出版社出版时 ...
[Python人工智能] 三十.Keras深度学习构建CNN识别阿拉伯手写文字图像
从本专栏开始,作者正式研究Python深度学习.神经网络及人工智能相关知识.前一篇文章分享了生成对抗网络GAN的基础知识,包括什么是GAN.常用算法(CGAN.DCGAN.infoGAN.WGAN). ...
如何使用Keras和TensorFlow建立深度学习模型以预测员工留任率
The author selected Girls Who Code to receive a donation as part of the Write for DOnations program. ...
人工神经网络理论、设计及应用_TensorFlow深度学习应用实践：教你如何掌握深度学习模型及应用...
前言通过TensorFlow图像处理,全面掌握深度学习模型及应用. 全面深入讲解反馈神经网络和卷积神经网络理论体系. 结合深度学习实际案例的实现,掌握TensorFlow程序设计方法和技巧. 着重深 ...
DL框架之Tensorflow：深度学习框架Tensorflow的简介、安装、使用方法之详细攻略
DL框架之Tensorflow:深度学习框架Tensorflow的简介.安装.使用方法之详细攻略目录 Tensorflow的简介 1.描述 2.TensorFlow的六大特征 3.了解Tensorf ...
万字总结Keras深度学习中文文本分类
摘要:文章将详细讲解Keras实现经典的深度学习文本分类算法,包括LSTM.BiLSTM.BiLSTM+Attention和CNN.TextCNN. 本文分享自华为云社区<Keras深度学习中文 ...

《TensorFlow+Keras深度学习人工智能实践应用》林大贵著第六章第七章代码

《TensorFlow+Keras深度学习人工智能实践应用》林大贵著第六章第七章代码相关推荐

最新文章

热门文章