又过了一个秋 2023-05-28 18:10 采纳率: 0%
浏览 28

用CNN卷积神经网络识别手写数字(MNIS 厂数据集)

本人刚入门。对于这类问题没有解决的思路,希望能求得专业人士的解答。

  • 写回答

2条回答 默认 最新

  • CSDN-Ada助手 CSDN-AI 官方账号 2023-05-28 21:02
    关注
    • 这篇博客: mnist手写数字体识别CNN训练测试完美复现,以及自己手写数字进行测试中的 1、mnist数据集介绍 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
    • 这个数据集是来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据。

      为什么要找这么多人来写呢?就是要增强学习结果的泛化能力,避免最后只认识某几个人的手写体。

      import pylab
      print('训练数据:',data.train.images)
      print('训练集尺寸:',data.train.images.shape)
      print('训练集标签尺寸:',data.train.labels.shape)
      print('测试集尺寸:',data.test.images.shape)
      print('测试集标签尺寸:',data.test.labels.shape)
      '''
      回归:
      训练数据: [[0. 0. 0. ... 0. 0. 0.]
       [0. 0. 0. ... 0. 0. 0.]
       [0. 0. 0. ... 0. 0. 0.]
       ...
       [0. 0. 0. ... 0. 0. 0.]
       [0. 0. 0. ... 0. 0. 0.]
       [0. 0. 0. ... 0. 0. 0.]]
      训练集尺寸: (55000, 784)
      训练集标签尺寸: (55000, 10)
      测试集尺寸: (10000, 784)
      测试集标签尺寸: (10000, 10)
      '''
      

      可以看到,在这个数据集中,训练集一共有55000个图片,存放在一个矩阵数组中,每一行是一个图片。测试机一共有10000个图片。他们对应的标签就是one_hot编码,例如数字0的标签是1000000000,数字1的标签是0100000000,以此类推。

      打印几张mnist中的图片来看一下:

      import pylab
      import tensorflow as tf
      from tensorflow.examples.tutorials.mnist import input_data
      DATA_DIR = 'MNIST_data'
      data = input_data.read_data_sets(DATA_DIR, one_hot=True)
      pylab.figure(figsize=(10,10))
      for i in range(10): 
          im = data.train.images[i]
          im = im.reshape((28,28))
          pylab.imshow(im)
          pylab.show()
      im
      

      在这里插入图片描述
      这个数字。。。有的连我自己都不认识。

      每一个图片是这样保存的,都是一个28*28的数组。
      在这里插入图片描述

    • 以下回答由chatgpt基于相关博客总结生成:

      首先,感谢您对CNN卷积神经网络的学习和使用,下面是我对该问题的解答和建议:

      1. 数据集 首先需要下载MNIST数据集,可以使用TensorFlow提供的API进行下载,也可以到官网进行下载。下载完毕后可以采用TensorFlow提供的读取程序对数据集进行读取操作。

      2. 模型设计 CNN模型的设计主要包括卷积层、池化层、全连接层和输出层。这里建议使用TensorFlow框架,可以参考TensorFlow官网提供的样例进行操作。

      3. 模型训练 对于模型训练,可以采用TensorFlow提供的优化器进行梯度下降的计算。同时也需要对训练集和测试集进行分离,可以采用随机打乱的方式进行。

      4. 模型评估 在模型评估方面,可以采用测试集对训练好的模型进行评估和检验,主要包括准确率、精确率和召回率等指标,可以使用confusion_matrix函数进行计算。

      5. 代码实现 对于代码实现方面,在TensorFlow框架下可以采用以下代码进行实现:

      # 导入相关包
      import tensorflow as tf
      from tensorflow.examples.tutorials.mnist import input_data
      
      # 读取MNIST数据集
      mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
      
      # 设计卷积神经网络模型
      x = tf.placeholder(tf.float32, [None, 784])
      y_true = tf.placeholder(tf.float32, [None, 10])
      
      x_reshape = tf.reshape(x, [-1, 28, 28, 1])
      conv1 = tf.layers.conv2d(inputs=x_reshape, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)
      pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
      conv2 = tf.layers.conv2d(inputs=pool1, filters=64, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)
      pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
      pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])
      dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)
      dropout = tf.layers.dropout(inputs=dense, rate=0.4)
      y_pred = tf.layers.dense(inputs=dropout, units=10)
      
      # 定义损失函数
      cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = y_pred, labels = y_true))
      
      # 定义优化器进行梯度下降计算
      train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
      
      # 评估模型准确率
      correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y_true, 1))
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
      
      # 训练模型并测试模型准确率
      with tf.Session() as sess:
          sess.run(tf.global_variables_initializer())
          for i in range(2000):
              batch_xs, batch_ys = mnist.train.next_batch(100)
              sess.run(train_step, feed_dict = {x: batch_xs, y_true: batch_ys})
              if i % 100 == 0:
                  acc = sess.run(accuracy, feed_dict = {x: batch_xs, y_true: batch_ys, keep_prob: 1.0})
                  print("step %d, training accuracy %g" % (i, acc))
      
          # 对模型进行测试
          test_acc = sess.run(accuracy, feed_dict = {x: mnist.test.images, y_true: mnist.test.labels})
          print("test accuracy %g" % test_acc)
      

      希望对您有所帮助,如有任何疑问可随时在评论区提出,感谢您的阅读。

    评论

报告相同问题?

问题事件

  • 创建了问题 5月28日

悬赏问题

  • ¥50 深度学习运行代码直接中断
  • ¥15 关于#单片机#的问题,请各位专家解答!
  • ¥15 关于#单片机#的问题,请各位专家解答!
  • ¥20 需要完整的共散射点成像代码
  • ¥15 编写vba代码实现数据录入工作
  • ¥15 做过TCL海信电视小米电视相关影视会员软件私我
  • ¥15 Mapreduce是正常的,在运行其他jar包时并没有任何问题,只是在做LogCount.jar 时出的问题。如图所示
  • ¥15 ImportError: DLL load failed while importing _iterative: 找不到指定的模块。
  • ¥15 如何通过交互分析得出某高危患者对放疗获益更多
  • ¥15 相关性分析中,p<0.05, r=0.29,怎么评价相关性呢