15 手写数字识别-小数据集

1.手写数字数据集

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

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

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。　

模型结构图如下：

 设计依据：

（1）模型是层的堆叠，参考VGGnet模型，一条路走到黑，小卷积核，小池化核。

（2）模型使用了四层卷积，三个池化层，所以加入Dropout层来防止过拟合。

4.模型训练

def show_train_history(train_history, train, validation):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[validation])
    plt.title(‘Train History‘)
    plt.ylabel(‘train‘)
    plt.xlabel(‘epoch‘)
    plt.legend([‘train‘, ‘validation‘], loc=‘upper left‘)
    plt.show()


model.compile(loss=‘categorical_crossentropy‘, optimizer=‘adam‘, metrics=[‘accuracy‘])
train_history = model.fit(x=X_train, y=y_train, validation_split=0.2, batch_size=300, epochs=10, verbose=2)
show_train_history(train_history, ‘accuracy‘, ‘val_accuracy‘)
show_train_history(train_history, ‘loss‘, ‘val_loss‘)

5.模型评价

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

  score = model.evaluate(X_test, y_test)
  print(‘score：‘, score)
  y_pred = model.predict_classes(X_test)
  print(‘y_pred：‘, y_pred[:10])
  # 交叉表与交叉矩阵
  y_test1 = np.argmax(y_test, axis=1).reshape(-1)
  y_true = np.array(y_test1)[0]
  pd.crosstab(y_true, y_pred, rownames=[‘true‘], colnames=[‘predict‘])
  # seaborn.heatmap
  y_test1 = y_test1.tolist()[0]
  a = pd.crosstab(np.array(y_test1), y_pred, rownames=[‘Lables‘], colnames=[‘Predict‘])
  df = pd.DataFrame(a)
  sns.heatmap(df, annot=True, cmap="Reds", linewidths=0.2, linecolor=‘G‘)
  plt.show()