手写数字识别-小数据集

标签：卷积神经网络   矩阵   max   取数   optimize   cat   结构图   and   导入数据   

1.手写数字数据集

• from sklearn.datasets import load_digits
• digits = load_digits()

 （1）导入数据包

 （2）读取数据

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
• 张量结构

 （1）x：归一化MinMaxScaler()，y：独热编码OneHotEncoder()

 结果如图：

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。

模型结构如图：

设计理念依据：

（1）传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中
（2）传递一个batch_input_shape的关键字参数给第一层，该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用，例如在stateful RNNs中。事实上，Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
（3）有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
（4）优化器optimizer：该参数可指定为已预定义的优化器名

（5）损失函数loss：该参数为模型试图最小化的目标函数

（6）由于图像尺寸较小，故卷积核尺寸设置为3×3，三个卷积-池化层的卷积核数量分别设置为16、32、64。

4.模型训练

5.模型评价

• model.evaluate()
• 交叉表与交叉矩阵
• pandas.crosstab
• seaborn.heatmap

手写数字识别-小数据集

标签：卷积神经网络   矩阵   max   取数   optimize   cat   结构图   and   导入数据   

原文地址：https://www.cnblogs.com/cong1/p/13070392.html