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
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。
模型结构图如下：
设计依据：
（1）模型是层的堆叠，参考VGGnet模型，一条路走到黑，小卷积核，小池化核。
（2）模型使用了四层卷积，三个池化层，所以加入Dropout层来防止过拟合。
4.模型训练
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()
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)
show_train_history(train_history, ‘accuracy‘, ‘val_accuracy‘)
show_train_history(train_history, ‘loss‘, ‘val_loss‘)
5.模型评价
- model.evaluate()
- 交叉表与交叉矩阵
- pandas.crosstab
- seaborn.heatmap
score = model.evaluate(X_test, y_test) print(‘score：‘, score) y_pred = model.predict_classes(X_test) print(‘y_pred：‘, y_pred[:10]) # 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] pd.crosstab(y_true, y_pred, rownames=[‘true‘], colnames=[‘predict‘]) # seaborn.heatmap y_test1 = y_test1.tolist()[0] a = pd.crosstab(np.array(y_test1), y_pred, rownames=[‘Lables‘], colnames=[‘Predict‘]) df = pd.DataFrame(a) sns.heatmap(df, annot=True, cmap="Reds", linewidths=0.2, linecolor=‘G‘) plt.show()
