mnist包含数据集利用Lenet实现.zip

利用keras使用mnist数据集进行训练，分类，测试。可以得到较好的结果（包含mnist数据集），亲测有效，自行编写，共同学习。

from keras import backend as k
from keras.models import Sequential
from keras.layers.convolutional import Conv2D MaxPooling2D
# from keras.layers.convolutional import MaxPooling2D
from keras.layers.core import Activation
from keras.layers.core import Flatten
from keras.layers.core import Dense
from keras.datasets import mnist
# from mydata import load_data
from keras.utils import np_utils
from keras.utils.vis_utils import model_to_dot
from IPython.display import SVG
from keras.optimizers import SGD RMSprop Adam
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as processimage


# 定义网络
class LeNet:
    @staticmethod
    def build（input_shape classes）:
        model = Sequential（）
        # CONV => RELU => POOL
        model.add（Conv2D（20 kernel_size=5 padding=“same“
                         input_shape=input_shape））
        model.add（Activation（“relu“））
        model.add（MaxPooling2D（pool_size=（2 2） strides=（2 2）））
        # CONV => RELU => POOL
        model.add（Conv2D（50 kernel_size=5 padding=“same“））
        model.add（Activation（“relu“））
        model.add（MaxPooling2D（pool_size=（2 2） strides=（2 2）））
        # Flatten => RELU layers
        model.add（Flatten（））
        model.add（Dense（500））
        model.add（Activation（“relu“））

        # a softmax classifier
        model.add（Dense（classes））
        model.add（Activation（“softmax“））

        return model



# SVG（model_to_dot（model）.create（prog=‘dot‘ format=‘svg‘））
NB_EPOCH =1
BATCH_SIZE = 128
VERBOSE = 2
OPTIMIZER = Adam（）
VALIDATION_SPLIT = 0.2
IMG_ROWS IMG_COLS = 2828
# IMG_ROWS IMG_COLS = 512384
NB_CLASS = 10
INPUT_SHAPE = （1 IMG_ROWSIMG_COLS）
# 混合并划分训练集和测试集
（X_train y_train） （X_test y_test）=mnist.load_data（）
# （X_train y_train） （X_test y_test） = load_data（）
k.set_image_dim_ordering（“th“）
# 看成float类型并归一化
X_train = X_train.astype（‘float32‘）
X_test = X_test.astype（‘float32‘）
X_train /= 255
X_test /= 255
# 需要使用形状60k*[1*28*28]作为卷积网络的输入
X_train = X_train[: np.newaxis : :]
X_test = X_test[: np.newaxis : :]
print（‘X_train shape:‘ X_train.shape）
print（X_train.shape[0] ‘ train sample‘）
print（X_test.shape[0]‘test sample‘）

# 将类向量转换为二值类别矩阵
y_train = np_utils.to_categorical（y_train NB_CLASS）
y_test = np_utils.to_categorical（y_test NB_CLASS）

# 初始化优化器和模型

model = LeNet.build（input_shape=INPUT_SHAPE classes=NB_CLASS）
model.compile（loss=“categorical_crossentropy“
                  optimizer=OPTIMIZER metrics=[“accuracy“]）
history = model.fit（X_train y_train batch_size=BATCH_SIZE
                        epochs=NB_EPOCH verbose=VERBOSE validation_split=VALIDATION_SPLIT）
score = model.evaluate（X_testy_test verbose=VERBOSE）
print（“test score:“ score[0]）
print（“test accurary:“ score[1]）

testrun = X_test[9999].reshape（1784）
testlabel = y_test[9999]
print（testrun）
print（testlabel）
plt.imshow（testrun.reshape（[2828]））
plt.show（）

pred = model.pr

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件    11490434  2019-07-04 14:37  mnist.npz
     文件        3753  2019-07-29 15:18  ttlenet.py