前言： Hello大家好，我是Dream。 今天来学习一下如何基于mnist数据集取得最高的识别准确率，本文是从零开始的，如有需要可自行跳至所需内容~

本文目录：

• • 1.调用库函数
  • 2.调用数据集
  • 3.选择模型，构建网络
  • 4.编译
  • 5.数据增强
  • 6.训练
  • 7.画出图像
  • 8.输出
  • 9.结果
• 源码获取

说明：在此试验下，我们使用的是使用tf2.x版本，在jupyter环境下完成
在本文中，我们将主要完成以下这个任务：

• 基于mnist数据集，尽量取得更好的识别准确率。注意，要使用非训练集内容，通过evaluate方法得出准确率

1.调用库函数

import tensorflow as tfimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom tensorflow.keras.preprocessing.image import ImageDataGeneratorfrom tensorflow.keras.layers import Conv2D,MaxPooling2D,BatchNormalization,Flatten,Dense

指定当前程序使用的 GPU

# 指定当前程序使用的 GPUgpus = tf.config.experimental.list_physical_devices('GPU')for gpu in gpus:    tf.config.experimental.set_memory_growth(gpu, True)

2.调用数据集

# 调用数据集(train_X, train_y),(test_X, test_y) = tf.keras.datasets.mnist.load_data()train_X, test_X = train_X / 255.0, test_X / 255.0

train_X = train_X.reshape(-1, 28, 28, 1)train_y = tf.keras.utils.to_categorical(train_y)X_train, X_test, y_train, y_test = train_test_split(train_X, train_y, test_size=0.1, random_state=0)

3.选择模型，构建网络

在此我们使用的是CNN网络，以此搭建Conv2D层、MaxPooling2D层网络

# 选择模型，构建网络model = tf.keras.Sequential()model.add(Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1))),  #添加Conv2D层model.add(Conv2D(64, (3, 3), activation='relu')),  #添加Conv2D层model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层model.add(BatchNormalization()),model.add(Conv2D(128, (3, 3), activation='relu')),  #添加Conv2D层model.add(Conv2D(128, (3, 3), activation='relu')),  #添加Conv2D层model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层model.add(BatchNormalization()),model.add(Conv2D(256, (3, 3), activation='relu')),  #添加Conv2D层model.add(MaxPooling2D((2, 2), strides=2)),  #添加MaxPooling2D层model.add(BatchNormalization()),model.add(Flatten()),  #展平model.add(Dense(512, activation='relu')),model.add(Dense(10, activation='softmax'))

4.编译

使用交叉熵作为loss函数，指定优化器、损失函数和验证过程中的评估指标

# 编译（使用交叉熵作为loss函数）model.compile(optimizer='adam',  #指定优化器loss="categorical_crossentropy",   #指定损失函数metrics=['accuracy'])   #指定验证过程中的评估指标# 展示训练的过程display(model.summary())

这里是输出的结果：

5.数据增强

在这里我们使用数据增强方法，更好的提高准确率

# 数据增强datagen = ImageDataGenerator( rotation_range=15, zoom_range = 0.01, width_shift_range=0.1, height_shift_range=0.1)train_gen = datagen.flow(X_train, y_train, batch_size=128)test_gen = datagen.flow(X_test, y_test, batch_size=128)

6.训练

首先我们批量输入的样本个数，然后经过我们测试分析，此模型训练到30轮之前变化趋于静止，我们可以只进行30个epoch。

# 批量输入的样本个数batch_size = 128train_steps = X_train.shape[0] // batch_sizevalid_steps = X_test.shape[0] // batch_size# 经过我们测试分析，此模型训练到30轮之前变化趋于静止，我们可以只进行30个epoches = tf.keras.callbacks.EarlyStopping( monitor="val_accuracy", patience=10, verbose=1, mode="max", restore_best_weights=True)rp = tf.keras.callbacks.ReduceLROnPlateau( monitor="val_accuracy", factor=0.2, patience=5, verbose=1, mode="max", min_lr=0.00001)# 训练（训练30个epoch）history = model.fit(train_gen,      epochs = 30,      steps_per_epoch = train_steps,      validation_data = test_gen,      validation_steps = valid_steps,      callbacks=[es, rp])

这里是输出的结果：

7.画出图像

使用plt模块进行数据可视化处理

# 画出图像fig, ax = plt.subplots(2,1, figsize=(14, 10))ax[0].plot(history.history['loss'], color='red', label="Loss")ax[0].legend(loc='best', shadow=False)ax[1].plot(history.history['accuracy'], color='red', label="Accuracy")ax[1].legend(loc='best', shadow=False)plt.show()

这里是输出的结果：

8.输出

最后在测试集上进行模型评估，输出测试集上的预测准确率

score = model.evaluate(X_test, y_test) # 在测试集上进行模型评估print('测试集预测准确率:', score[1]) # 打印测试集上的预测准确率

这里是输出的结果：

9.结果

最后的结果：mnist数据集最终的准确率是: 0.996833

源码获取

关注此公众号：人生苦短我用Pythons，回复 神经网络实验获取源码，快点击我吧

🌲🌲🌲 好啦，这就是今天要分享给大家的全部内容了，我们下期再见！
❤️❤️❤️如果你喜欢的话，就不要吝惜你的一键三连了~

最后，有任何问题，欢迎关注下面的公众号，获取第一时间消息、作者联系方式及每周抽奖等多重好礼！ ↓↓↓