标签：编码 ros 深度学习 .data 技术 src ati 目的 poc
ＭNIST手写数据集的识别算得上是深度学习的”hello world“了，所以想要入门必须得掌握。新手入门可以考虑使用Keras框架达到快速实现的目的。
完整代码如下：
# 1. 导入库和模块 from keras.models import Sequential from keras.layers import Conv2D, MaxPool2D from keras.layers import Dense, Flatten from keras.utils import to_categorical # 2. 加载数据 from keras.datasets import mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 3. 数据预处理 img_x, img_y = 28, 28 x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1) x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1) #数据标准化 x_train = x_train.astype(‘float32‘) x_test = x_test.astype(‘float32‘) x_train /= 255 x_test /= 255 #一位有效编码 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) # 4. 定义模型结构 model = Sequential() model.add(Conv2D(32, kernel_size=(5,5), activation=‘relu‘, input_shape=(img_x, img_y, 1))) model.add(MaxPool2D(pool_size=(2,2), strides=(2,2))) model.add(Conv2D(64, kernel_size=(5,5), activation=‘relu‘)) model.add(MaxPool2D(pool_size=(2,2), strides=(2,2))) model.add(Flatten()) model.add(Dense(1000, activation=‘relu‘)) model.add(Dense(10, activation=‘softmax‘)) # 5. 编译，声明损失函数和优化器 model.compile(optimizer=‘adam‘,loss=‘categorical_crossentropy‘,metrics=[‘accuracy‘]) # 6. 训练 model.fit(x_train, y_train, batch_size=128, epochs=10) # 7. 评估模型 score = model.evaluate(x_test, y_test) print(‘acc‘, score[1])
运行结果如下：
可以看出准确率达到了99%，说明神经网络在图像识别上具有巨大的优势。
标签：编码 ros 深度学习 .data 技术 src ati 目的 poc
原文地址：https://www.cnblogs.com/darklights/p/10385366.html
