在各种主流的深度学习框架中，手写数字的识别均作为第一个入门教程，同样，在开始学习Keras这个近些年非常流行的深度学习框架时，也用全连接手写数字识别作为入门的第一个例子。
为了紧跟时代潮流，在之后我的所有博客中，均使用TensorFlow2以上的版本，而在TensorFlow2中的版本，Keras已经集成到tf中去了，可见谷歌也在逐步放弃TensorFlow1中的模型搭建方法，转而使用Keras来进行模型训练。因此可见，Keras的优势，也希望大家从一开始就学习Keras。
使用的TensorFlow版本：2.5.0
1 全连接手写数字模型的训练
训练代码如下所示：
from tensorflow.keras.datasets import mnist
from tensorflow.keras import models
from tensorflow.keras import layers
from tensorflow.keras.utils import to_categorical
if __name__=='__main__':
(train_images,train_lables),(test_images,test_lables)=mnist.load_data()
train_images=train_images.reshape(train_images.shape[0],-1)
train_images=train_images.astype('float32')/255
test_images=test_images.reshape(test_images.shape[0],-1)
test_images=test_images.astype('float32')/255
train_lables=to_categorical(train_lables)
test_lables=to_categorical(test_lables)
network=models.Sequential()
network.add(layers.Dense(units=512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(units=10,activation='softmax'))
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
network.summary()
history=network.fit(x=train_images,y=train_lables,epochs=5,batch_size=128)
print(history.history)
test_loss,test_acc=network.evaluate(x=test_images,y=test_lables)
print(test_acc)
network.save(filepath='./model/test.h5')
模型框架采用两层神经网络结构，数据输入结构为(784，)
[En]
The model framework adopts a two-layer neural network structure, and the structure of data input is (784,)
第一个隐藏层的权重参数W1形状为(784,512)，偏置为(512,)，
隐藏层的激活函数采用Relu函数，Relu函数的公式为：
输出图像为：
第二层为输出层，输出层的权重参数形状为(512,10),偏置为(10,)，因为手写数字的识别属于分类问题，分类问题的输出层激活函数使用softmax函数，softmax函数的数学公式如下：
这一句代码也很重要：
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
optimizer=’rmsprop’表示在神经网络训练中，参数的更新采用的方法为rmsprop，该方法可以一开始多学，之后少学，也就是一开始的学习率设置的大一些，随着训练的进行，学习率会逐渐降低。
loss=’categorical_crossentropy’表示为损失函数为分类交叉熵，工时如下：
使用上面的代码训练，训练过程如下：
[En]
Using the code training above, the training process is as follows:
Epoch 1/5
469/469 [==============================] - 5s 8ms/step - loss: 0.2536 - accuracy: 0.9266
Epoch 2/5
469/469 [==============================] - 4s 8ms/step - loss: 0.1035 - accuracy: 0.9695
Epoch 3/5
469/469 [==============================] - 4s 9ms/step - loss: 0.0696 - accuracy: 0.9789
Epoch 4/5
469/469 [==============================] - 5s 10ms/step - loss: 0.0494 - accuracy: 0.9848
Epoch 5/5
469/469 [==============================] - 5s 10ms/step - loss: 0.0375 - accuracy: 0.9887
{'loss': [0.25358861684799194, 0.10348740965127945, 0.06957202404737473, 0.04940706863999367, 0.03746318444609642], 'accuracy': [0.9265999794006348, 0.9694666862487793, 0.9788500070571899, 0.9847833514213562, 0.9887333512306213]}
313/313 [==============================] - 1s 2ms/step - loss: 0.0676 - accuracy: 0.9797
0.9797000288963318
训练完成后，得到h5模型文件，我们使用Netron这个工具查看模型文件，可以很清晰的查看模型的网络结构图。
2 全连接手写数字模型的调用
在对模型进行训练后，我们可以使用该模型对手写数字图像进行预测，从而进一步检验该模型的效果。
[En]
After training the model, we can use the model to predict the handwritten digital image, which can further test the effect of the model.
调用代码如下：
from tensorflow.keras.datasets import mnist
from tensorflow.keras import models
import numpy as np
import cv2
if __name__=='__main__':
(train_images,train_lables),(test_images,test_lables)=mnist.load_data()
test_img=test_images[2]
test_img=test_img.reshape(test_img.shape+(1,))
cv2.imshow('test',test_img)
cv2.waitKey(0)
model=models.load_model('./model/test.h5')
test_data=test_img.reshape(1,-1)
test_data=test_data.astype('float32')/255
output=model.predict(test_data)
print(output)
output_argmax=output.argmax(axis=1)
print(output_argmax)
print('模型预测的值为：'+str(output_argmax[0]))
print('图片的真实标签值为：'+str(test_lables[2]))
识别的图像显示为：
预测的结果为：
[[6.3377036e-07 9.9490094e-01 4.5994075e-04 5.5514480e-05 9.1660942e-05
1.7706998e-05 3.7915866e-05 2.5628312e-03 1.8701523e-03 2.7018891e-06]]
[1]
模型预测的值为：1
图片的真实标签值为：1
由此可见，该模型对图像的预测结果是正确的。
[En]
It can be seen that the prediction result of the model for the picture is correct.
Original: https://blog.csdn.net/qq_37781464/article/details/122684455
Author: Keras深度学习
Title: Keras深度学习（1）-全连接手写数字的识别
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/511214/
转载文章受原作者版权保护。转载请注明原作者出处！