Keras MNIST Example 简介

MNIST 数据集是一个非常流行的机器学习数据集，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，代表了 0 到 9 的数字。

本文将介绍如何使用 Keras 深度学习库来构建一个简单的 MNIST 图像分类器。

主要步骤

1. 导入库和加载数据集

   • 使用 Keras 的 datasets 模块加载数据集。
   • 数据集将被自动划分为训练集和测试集。

2. 创建模型

   • 使用 Keras 的 Sequential 模型。
   • 添加全连接层和卷积层。
   • 设置优化器和损失函数。

3. 编译和训练模型

   • 使用 model.fit() 方法编译和训练模型。
   • 观察训练过程中的损失和准确率。

4. 评估模型

   • 使用 model.evaluate() 方法评估模型在测试集上的表现。

5. 使用模型进行预测

   • 使用 model.predict() 方法对新的图像进行预测。

示例代码

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

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 创建模型
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'))

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

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

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

# 使用模型进行预测
predictions = model.predict(x_test)

扩展阅读

更多关于 Keras 和 MNIST 数据集的信息，可以参考我们的 Keras 教程。

MNIST 数据集示例