【DL】在MNIST数据集上用keras实现全连接网络

快来打我* 2022-02-09 13:57 205阅读 0赞

## 1 环境设置 ##

使用anaconda、spyder、win10实现。

打开conda prompt用conda创建一个名为py3mnist的环境：安了两个基础包，指定了python版本。

conda create -n py3mnist python=3.6 numpy pandas

*  切换到指定环境：`conda activate env_name`
 *  退出环境：`conda deactivate`

切换到创建好的环境里，看一下环境里的包：`conda list`

需要什么包就安装什么： `conda install keras`

装好包就可以装编辑器了，注意事项：这个时候的spyder还是**老环境**的。

可以在**当前环境**命令行输入：`conda install spyder`，或者觉得spyder麻烦，直接用jupyter notebook，安装也是同理。

直接在当前虚拟环境里输入`spyder`启动，可能链接的编译器仍然是老环境的，需要在顶部tools》preferences》pythoninterpretter》手动把解释器改成虚拟环境路径下的python。如我的路径：D:\\PYrelated\\anaconda\\ envs\\py3mnist\\python.exe就可以了。

## 2 学点keras ##

有些常用的数据内置在keras中，通过**from keras.datasets import mnist**，mnist.load\_data(path)调用。

在keras中模型是通过多个层的线性堆叠实现：可以加激活，卷积等等

from keras.models import Sequential
    from keras.layers import Dense, Activation
    
    #直接定义整个网络
    model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
    ])
    
    # 逐层定义
    model = Sequential()
    model.add(Dense(32, input_dim=784)) #输入数据
    model.add(Activation('relu'))
    。。。。。。

模型编译：compile（）参数有很多，常见：

*  损失函数（loss= ）
 *  优化器（optimizer=）
 *  评估方法（ metrics=）

# 二分类问题
    model.compile(optimizer='rmsprop',
    				loss='binary_crossentropy',
    				metrics=['accuracy'])
    # 均方误差回归问题
    model.compile(optimizer='rmsprop',
    				loss='mse')

模型训练：fit（）参数很多：

testmodel = model.fit(X_train,
                        Y_train,
                        batch_size=128,
                        epochs=5,
                        verbose=2,
                        validation_data=(X_test, Y_test))

模型保存：save（）

model.save(model_path)

模型复用评估（）

from keras.models import load_model
    mnist_model = load_model(model_path)
    loss_and_metrics = mnist_model.evaluate(X_test, Y_test)

更多详细的介绍可以看官方手册： [链接][Link 1]

## 3 网络实现 ##

使用mnist手写体数字作为数据集：[GitHub链接][GitHub]

*  kerasModel 模型结构文件
 *  kerasdatapre 数据预处理

数据内容：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70]

测试训练数据分布：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 1]

测试情况：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 2]

[Link 1]: https://keras.io/zh/
[GitHub]: https://github.com/dzglearning/MnistExercise/tree/master/keras
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70]: /images/20220206/afdfcd02a4ca4fbfac5476febe29142b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 1]: /images/20220206/6a6ab311df1a4d48acbdb27f74af210e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 2]: /images/20220206/603a11465344494e8ab3e466835fe1a8.png