15 手写数字识别-小数据集

1.手写数字数据集

• from sklearn.datasets import load_digits
• digits = load_digits()

 （1）导入数据包

 （2）读取数据

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）x：归一化MinMaxScaler()，y：独热编码OneHotEncoder()

 结果如图：

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。

模型结构如图：

设计理念依据：

（1）传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中
（2）传递一个batch_input_shape的关键字参数给第一层，该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用，例如在stateful RNNs中。事实上，Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
（3）有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
（4）优化器optimizer：该参数可指定为已预定义的优化器名

（5）损失函数loss：该参数为模型试图最小化的目标函数

（6）由于图像尺寸较小，故卷积核尺寸设置为3×3，三个卷积-池化层的卷积核数量分别设置为16、32、64。

 

 

 

 

4.模型训练

 

5.模型评价

• model.evaluate()
• 交叉表与交叉矩阵
• pandas.crosstab
• seaborn.heatmap

完整代码如下：

import seaborn as sns
from sklearn.datasets import load_digits
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from sklearn.metrics import accuracy_score
digits = load_digits()

X= digits.data.astype(np.float32)
# 将Y分弄成一列
Y= digits.target.astype(np.float32).reshape(-1, 1)
#查看X，Y维度
X.shape
Y.shape

# 将属性缩放到一个指定的最大和最小值（通常是1-0之间）
# x：归一化MinMaxScaler()
scaler = MinMaxScaler()
X = scaler.fit_transform(X)
print("X归一化后：
",X)
#print(X)
# 对Y进行独热编码OneHotEncoder 张量结构todense
# 进行oe-hot编码
Y = OneHotEncoder().fit_transform(Y).todense()
print("Y独热编码后：
",Y)
#print(Y)
##XL最新的X
XL = X.reshape(-1, 8, 8, 1)
# 训练集测试集划分
X_train, X_test, y_train, y_test = train_test_split(XL, Y, test_size=0.2, random_state=0, stratify=Y)
print('X_train.shape, X_test.shape, y_train.shape, y_test.shape：', X_train.shape, X_test.shape, y_train.shape, y_test.shape)

#建立Sequential模型
model = Sequential()
ks = (3, 3)  # 设定卷积核的大小
input_shape = X_train.shape[1:]# 一层卷积，除了第一层需要输入shape的指定数据外，其他会自动推导
model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=input_shape, activation='relu'))
# 池化层1
model.add(MaxPool2D(pool_size=(2, 2)))
# 防止过拟合，随机丢掉连接
model.add(Dropout(0.25))
# 二层卷积
model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu'))
# 池化层2
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 三层卷积
model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu'))
# 四层卷积
model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu'))
# 池化层3
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 平坦层
model.add(Flatten())
# 全连接层
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))# 激活函数softmax
print(model.summary())

# 画Train History图
def show_train_history(train_history, train, validation):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[validation])
    plt.title('Train History')
    plt.ylabel('train')
    plt.xlabel('epoch')
    plt.legend(['train', 'validation'], loc='upper left')
    plt.show()

# 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)
# 准确率
show_train_history(train_history, 'accuracy', 'val_accuracy')
# 损失率
show_train_history(train_history, 'loss', 'val_loss')

# 5、模型评价
# model.evaluate()
score = model.evaluate(X_test, y_test)
print('score：', score)
# 预测值
y_pred = model.predict_classes(X_test)
print('y_pred：', y_pred[:3])
# 交叉表与交叉矩阵
y_test1 = np.argmax(y_test, axis=1).reshape(-1)
y_true = np.array(y_test1)[0]
# 交叉表查看预测数据与原数据对比
# pandas.crosstab
pd.crosstab(y_true, y_pred, rownames=['true'], colnames=['predict'])
# 交叉矩阵
# seaborn.heatmap
y_test1 = y_test1.tolist()[0]
a = pd.crosstab(np.array(y_test1), y_pred, rownames=['Lables'], colnames=['Predict'])
# 转换成属dataframe
df = pd.DataFrame(a)
sns.heatmap(df, annot=True, cmap="pink_r", linewidths=0.2, linecolor='G')
plt.show()