神经网络--基于mnist数据集取得最高的识别准确率

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 tf
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from 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 GPU
gpus = 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 = 128
train_steps = X_train.shape[0] // batch_size
valid_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epoch
es = 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 ↓↓↓