本文将带你通过 Keras 框架学习如何使用 MNIST 数据集进行手写数字识别。

1. 简介

MNIST 数据集是机器学习领域中最常用的数据集之一,它包含了 60,000 个训练样本和 10,000 个测试样本,每个样本都是一个 28x28 的灰度图像,代表一个 0 到 9 的数字。

2. 准备工作

在开始之前,请确保你已经安装了以下库:

  • Keras
  • TensorFlow

你可以通过以下命令安装:

pip install keras tensorflow

3. 加载数据集

首先,我们需要加载数据集。Keras 提供了 mnist.load_data() 函数可以直接加载数据集。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

4. 数据预处理

在训练模型之前,我们需要对数据进行一些预处理。

from keras.utils import np_utils

# 归一化
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 编码标签
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

5. 构建模型

接下来,我们构建一个简单的卷积神经网络模型。

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

6. 训练模型

现在我们可以开始训练模型了。

model.fit(x_train, y_train, batch_size=128, epochs=10, verbose=1, validation_data=(x_test, y_test))

7. 评估模型

训练完成后,我们可以使用测试数据集来评估模型的性能。

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

8. 扩展阅读

如果你对 Keras 和 MNIST 数据集有更深入的兴趣,可以阅读以下文章:

希望这篇文章能帮助你入门 Keras 和 MNIST 数据集。😊

MNIST