1.手写数字数据集
- from sklearn.datasets import load_digits
- digits = load_digits()
2.图片数据预处理
- x：归一化MinMaxScaler()
- y：独热编码OneHotEncoder()或to_categorical
- 训练集测试集划分
- 张量结构
1 #2.图片数据预处理 2 #（1）归一化（将某一列特征的值缩放到一个最小和最大值（默认为0~1）之间） 3 scaler = MinMaxScaler() 4 X_data = scaler.fit_transform(X_data) 5 print('MinMaxScaler_trans_X_data:') 6 print(X_data) 7 8 #（2）独热编码 9 Y = OneHotEncoder().fit_transform(Y_data).todense() # 10 print('OneHot_Y') 11 print(Y) 12 13 #（3）张量结构-转换成图片的格式 14 X = X_data.reshape(-1,8,8,1) 15 print(X.shape) 16 17 #（4）进行数据集的划分 18 X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.2,random_state=0,stratify=Y) 19 print(X_train,X_test,Y_train,Y_test)
归一化后数据查看：
独热编码：
张量结构：
训练集测试集的划分：
3.设计卷积神经网络结构
- 绘制模型结构图，并说明设计依据。
1 #3.设计卷积神经网络结构 2 # 建立模型 3 model = Sequential() 4 5 # 一层卷积 · 6 model.add(Conv2D(filters=16,kernel_size=(5, 5),padding='same',input_shape=X_train.shape[1:],activation='relu')) 7 # 池化层1 8 model.add(MaxPool2D(pool_size=(2, 2))) 9 model.add(Dropout(0.25)) 10 # 二层卷积 11 model.add(Conv2D(filters=32,kernel_size=(5, 5),padding='same',activation='relu')) 12 # 池化层2 13 model.add(MaxPool2D(pool_size=(2, 2))) 14 model.add(Dropout(0.25)) 15 # 三层卷积 16 model.add(Conv2D(filters=64,kernel_size=(5, 5),padding='same',activation='relu')) 17 # 四层卷积 18 model.add(Conv2D(filters=128,kernel_size=(5, 5),padding='same',activation='relu')) 19 # 池化层3 20 model.add(MaxPool2D(pool_size=(2, 2))) 21 model.add(Dropout(0.25)) 22 23 model.add(Flatten()) # 平坦层 24 model.add(Dense(128, activation='relu')) # 全连接层 25 model.add(Dropout(0.25)) 26 model.add(Dense(10, activation='softmax')) # 激活函数 27 print('每层数据的结构变化过程:') 28 model.summary()
4.模型训练
- model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
- train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
5.模型评价
- model.evaluate()
- 交叉表与交叉矩阵
- pandas.crosstab
- seaborn.heatmap
1 #5.模型评价 2 score = model.evaluate(X_test,Y_test) 3 print(score) 4 5 ####交叉表与交叉矩阵 6 #(1)预测值 7 y_pred = model.predict_classes(X_test) 8 print(y_pred[:10]) 9 #(2)交叉表查看预测数据与原数据的对比 10 y_test1 = np.argmax(Y_test,axis=1).reshape(-1) 11 y_true = np.array(y_test1)[0] 12 print(y_test1) 13 # y_test1 = y_test1.tolist()[0] 14 # print(y_test1) 15 pd.crosstab(y_true,y_pred,rownames=["true"],colnames=["predict"]) 16 17 #(3)交叉矩阵 18 a = pd.DataFrame(np.array(y_test1),y_pred) 19 df = pd.DataFrame(a) 20 sns.heatmap(df,annot=True,cmap='summer',linewidths=0.2,linecolor='G') 21 plt.show()
模型评价：
预测值查看：
查看交叉表进行对比：
交叉矩阵：查看预测值与实际值之间的对比：
