keras—多层感知器MLP—MNIST手写数字识别

　　一、手写数字识别

现在就来说说如何使用神经网络实现手写数字识别。在这里我使用mind manager工具绘制了要实现手写数字识别需要的模块以及模块的功能：
神经网络思维导图

其中隐含层节点数量（即神经细胞数量）计算的公式（这只是经验公式，不一定是最佳值）：

m = n + l----\sqrt + a

m = log 2 n

m = n l--\sqrt

m: 隐含层节点数
n: 输入层节点数
l：输出层节点数
a：1-10之间的常数

本例子当中：

输入层节点n：784
输出层节点：10 （表示数字 0 ~ 9）
隐含层选30个，训练速度虽然快，但是准确率却只有91% 左右，如果将这个数字变为100 或是300，其训练速度回慢一些

，但准确率可以提高到93%~94% 左右。

因为这是使用的MNIST的手写数字训练数据，所以它的图像的分辨率是28 * 28，也就是有784个像素点，其下载地址为：http://yann.lecun.com/exdb/mnist/

二、查看数据程序
48000作为训练数据，12000作为验证数据，10000作为预测数据

 1 #coding=utf-8
 2 import numpy as np             #导入模块，numpy是扩展链接库
 3 import pandas as pd             #类似一个本地的excel，偏向现在的非结构化的数据库
 4 import tensorflow as tf
 5 import keras
 6 from keras.utils import np_utils
 7 np.random.seed(10)            #设置seed可以产生的随机数据
 8 from keras.datasets import mnist  #导入模块，下载读取mnist数据
 9 (x_train_image,y_train_label),\
10 (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据
11 print(\'train data=\',len(x_train_image))
12 print(\'test data=\',len(x_test_image))
13 print(\'x_train_image:\',x_train_image.shape)
14 print(\'y_train_label:\',y_train_label.shape) #查看数据
15 import matplotlib.pyplot as plt
16 def plot_image(image):                      #定义显示函数
17     fig=plt.gcf()
18     fig.set_size_inches(2,2)           #设置显示图形的大小
19     plt.imshow(image,cmap=\'binary\')    #黑白灰度显示
20     plt.show()                         #开始画图
21 y_train_label[0]                       #查看第0项label数据
22 import matplotlib.pyplot as plt
23 def plot_image_labels_prediction(image,lables,prediction,idx,num=10):#显示多项数据
24     fig=plt.gcf()
25     fig.set_size_inches(12,14)        #设置显示图形的大小
26     if num>25:num=25
27     for i in range(0,num):            #画出num个数字图形
28         ax=plt.subplot(5,5,i+1)       #建立subplot字图形为5行5列
29         ax.imshow(image[idx],cmap=\'binary\')   #画出subgraph
30         title="lable="+str(lables[idx])       #设置字图形title，显示标签字段
31         if len(prediction)>0:                 #如果传入了预测结果
32             title+=",predict="+str(prediction[idx])     #标题
33         ax.set_title(title,fontsize=10)                 #设置字图形的标题
34         ax.set_xticks([]);ax.set_yticks([])             #设置不显示刻度
35         idx+=1                               #读取下一项
36     plt.show()
37 plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)#查看训练数据前10项
38 plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)  #查看测试数据前10项

三、运行结果

四、训练预测识别程序

 1 #coding=utf-8 2 #1.数据预处理 3 import numpy as np             #导入模块，numpy是扩展链接库 4 import pandas as pd 5 import tensorflow 6 import keras 7 from keras.utils import np_utils 8 np.random.seed(10)            #设置seed可以产生的随机数据 9 from keras.datasets import mnist  #导入模块，下载读取mnist数据10 (x_train_image,y_train_label),\11 (x_test_image,y_test_label)=mnist.load_data() #下载读取mnist数据12 print(\'train data=\',len(x_train_image))13 print(\'test data=\',len(x_test_image))14 print(\'x_train_image:\',x_train_image.shape)15 print(\'y_train_label:\',y_train_label.shape)16 import matplotlib.pyplot as plt17 def plot_image(image):18     fig=plt.gcf()19     fig.set_size_inches(2,2)20     plt.imshow(image,cmap=\'binary\')21     plt.show()22 y_train_label[0]23 import matplotlib.pyplot as plt24 def plot_image_labels_prediction(image,lables,prediction,idx,num=10):25     fig=plt.gcf()26     fig.set_size_inches(12,14)27     if num>25:num=2528     for i in range(0,num):29         ax=plt.subplot(5,5,i+1)30         ax.imshow(image[idx],cmap=\'binary\')31         title="lable="+str(lables[idx])32         if len(prediction)>0:33             title+=",predict="+str(prediction[idx])34         ax.set_title(title,fontsize=10)35         ax.set_xticks([]);ax.set_yticks([])36         idx+=137     plt.show()38 plot_image_labels_prediction(x_train_image,y_train_label,[],0,10)39 plot_image_labels_prediction(x_test_image,y_test_label,[],0,10)40 x_Train=x_train_image.reshape(60000,784).astype(\'float32\') #以reshape转化成784个float41 x_Test=x_test_image.reshape(10000,784).astype(\'float32\')42 x_Train_normalize=x_Train/255    #将features标准化43 x_Test_normalize=x_Test/25544 y_Train_OneHot=np_utils.to_categorical(y_train_label)#将训练数据和测试数据的label进行one-hot encoding转化45 y_Test_OneHot=np_utils.to_categorical(y_test_label)46 #2.建立模型47 from keras.models import Sequential #可以通过Sequential模型传递一个layer的list来构造该模型,序惯模型是多个网络层的线性堆叠48 from keras.layers import Dense    #全连接层49 model=Sequential()50 #建立输入层、隐藏层51 model.add(Dense(units=256,52                 input_dim=784,53                 kernel_initializer=\'normal\',54                 activation=\'relu\'))55 #建立输出层56 model.add(Dense(units=10,57                 kernel_initializer=\'normal\',58                 activation=\'softmax\'))59 print(model.summary())60 #3、进行训练61 #对训练模型进行设置，损失函数、优化器、权值62 model.compile(loss=\'categorical_crossentropy\',63               optimizer=\'adam\',metrics=[\'accuracy\'])64 # 设置训练与验证数据比例，80%训练，20%测试，执行10个训练周期，每一个周期200个数据，显示训练过程2次65 train_history=model.fit(x=x_Train_normalize,66                         y=y_Train_OneHot,validation_split=0.2,67                         epochs=10,batch_size=200,verbose=2)68 #显示训练过程69 import matplotlib.pyplot as plt70 def show_train_history(train_history,train,validation):71     plt.plot(train_history.history[train])72     plt.plot(train_history.history[validation])73     plt.title(\'Train History\')74     plt.ylabel(train)75     plt.xlabel(\'Epoch\')76     plt.legend([\'train\',\'validation\'],loc=\'upper left\')    #显示左上角标签77     plt.show()78 show_train_history(train_history,\'acc\',\'val_acc\')   #画出准确率评估结果79 show_train_history(train_history,\'loss\',\'val_loss\') #画出误差执行结果80 #以测试数据评估模型准确率81 scores=model.evaluate(x_Test_normalize,y_Test_OneHot)   #创建变量存储评估后的准确率数据，（特征值，真实值）82 print()83 print(\'accuracy\',scores[1])84 #进行预测85 prediction=model.predict_classes(x_Test)86 prediction87 plot_image_labels_prediction(x_test_image,y_test_label,prediction,idx=340)