本文摘自《Keras深度学习：入门、实战及进阶》一书。
本小节我们将利用MNIST数据集的训练数据训练模型，MNIST数据集的测试数据评估模型，再利用训练好的模型对本地的50个手写数字图像进行预测，查看预测效果。
在num文件夹中已经保存了50张0~9的彩色数字图像
使用EBImage包的readImage()函数将num文件夹中的所有数字图像读取到R中。
> library(keras)
> library(EBImage)
>
> setwd('../num')
> temp paste(1:50,'png',sep = '.')
> mypic list()
> for (i in 1:length(temp)) {mypic[[i]] readImage(temp[[i]])}
利用for循环语句，已经将50张数字图像读入到R中。利用plot()函数查看读取的数字图像。
>
> par(mfrow=c(10,5))
> for(i in 1:50) plot(mypic[[i]])
> par(mfrow=c(1,1))
在对数据图像处理前，让我们先查看各个图像的维度大小。以下程序将每张图像的实际值和三个维度的实际大小保存到size对象中，并查看前六张图像的数据情况。
>
> size data.frame(pic = 1:50,
+ num = rep(0:9,each = 5),
+ dim1 = sapply(mypic,dim)[1,],
+ dim2 = sapply(mypic,dim)[2,],
+ dim3 = sapply(mypic,dim)[3,])
> head(size)
pic num dim1 dim2 dim3
1 1 0 122 106 3
2 2 0 119 106 3
3 3 0 126 100 3
4 4 0 125 115 3
5 5 0 124 118 3
6 6 1 100 108 3
数据框size中的dim1、dim2、dim3分别对应图像的像素宽度、像素高度和颜色通道。因为dim3列的值均为3，所以这些数字图像均为彩色图像，需利用colorMode()函数将它们转变为灰色图像。因为各图像的dim1和dim2值不相同，故这些图像大小不一致，需利用resize()函数进行处理。
>
> for (i in 1:length(temp)) {colorMode(mypic[[i]]) Grayscale}
> for (i in 1:length(temp)) {mypic[[i]] 1-mypic[[i]]}
> for (i in 1:length(temp)) {mypic[[i]] resize(mypic[[i]], 28, 28)}
> for (i in 1:length(temp)) {mypic[[i]] array_reshape(mypic[[i]], c(28,28,3))}
> new NULL
> for (i in 1:length(temp)) {new rbind(new, mypic[[i]])}
> newx new[,1:784]
> newy size$num
最后，再次使用plot()函数查看经过处理后的数字图像。
>
> par(mfrow=c(5,10))
> for(i in 1:50) plot(as.raster(array_reshape(newx[i,],c(28,28))))
> par(mfrow=c(1,1))
以下是MNIST数据预处理代码。
>
> mnist dataset_mnist()
> trainx mnist$train$x
> trainy mnist$train$y
> testx mnist$test$x
> testy mnist$test$y
>
> trainx array_reshape(trainx, c(nrow(trainx), 784))
> testx array_reshape(testx, c(nrow(testx), 784))
> trainx trainx / 255
> testx testx /255
>
> trainy to_categorical(trainy, 10)
> testy to_categorical(testy, 10)
以下是深度学习建模代码。
>
> build_model function() {
+ model keras_model_sequential() %>%
+ layer_dense(units = 512, activation = 'relu', input_shape = c(784)) %>%
+ layer_dropout(rate = 0.4) %>%
+ layer_dense(units= 256, activation = 'relu') %>%
+ layer_dropout(rate = 0.3) %>%
+ layer_dense(units = 10, activation = 'softmax')
+
+ model %>% compile(
+ loss = 'categorical_crossentropy',
+ optimizer = optimizer_rmsprop(),
+ metrics = 'accuracy')
+ model
+ }
以下是训练模型代码。
> model build_model()
> history model %>% fit(
+ trainx,
+ trainy,
+ epochs = 30,
+ batch_size = 32,
+ validation_split = 0.2)
> plot(history)
以下是对彩色数据进行预测。
>
> pred model %>% predict_classes(newx)
> t table(Actual = newy,Predicted = pred)
> t
Actual 0 1 2 3 4 5 6 7 8 9
0 4 0 1 0 0 0 0 0 0 0
1 0 5 0 0 0 0 0 0 0 0
2 0 0 5 0 0 0 0 0 0 0
3 0 0 1 4 0 0 0 0 0 0
4 0 1 1 0 2 0 0 0 0 1
5 0 0 0 0 0 4 0 0 1 0
6 0 0 0 0 0 4 1 0 0 0
7 0 0 1 1 0 0 0 2 1 0
8 0 0 3 1 0 0 0 0 0 1
9 0 0 0 1 1 1 2 0 0 0
从混淆矩阵可知，除了1、2这两种数字图像全部预测正确外，其他数字图像均有预测结果与实际值不一致情况。
通过以下程序代码绘制预测与实际不一致的数字图像。
> ind which(newy!=pred)
> par(mfrow=c(4,6))
> for(i in ind){
+ plot(as.raster(array_reshape(newx[i,],c(28,28))))
+ title(paste('Actual=',newy[i],'Predicted=',pred[i]))
+ }
> par(mfrow=c(1,1))
从可知，数字8、9全部预测错误，数字6有4个预测错误，数据4、7各有3个预测错误，数字0、3、6分别有1个预测错误。
Original: https://blog.csdn.net/jiabiao1602/article/details/124071659
Author: jiabiao1602
Title: 手写数字彩色图像识别-Keras实现（基于R语言）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/641364/
转载文章受原作者版权保护。转载请注明原作者出处！