如何用卷积神经网络CNN识别手写数字集资料.docx
《如何用卷积神经网络CNN识别手写数字集资料.docx》由会员分享，可在线阅读，更多相关《如何用卷积神经网络CNN识别手写数字集资料.docx（21页珍藏版）》请在冰豆网上搜索。
如何用卷积神经网络CNN识别手写数字集资料
如何用卷积神经网络CNN识别手写数字集？
前几天用CNN识别手写数字集，后来看到kaggle上有一个比赛是识别手写数字集的，已经进行了一年多了，目前有1179个有效提交，最高的是100%，我做了一下，用keras做的，一开始用最简单的MLP，准确率只有98.19%，然后不断改进，现在是99.78%，然而我看到排名第一是100%，心碎==，于是又改进了一版，现在把最好的结果记录一下，如果提升了再来更新。
手写数字集相信大家应该很熟悉了，这个程序相当于学一门新语言的“HelloWorld”，或者mapreduce的“WordCount”：
）这里就不多做介绍了，简单给大家看一下：
复制代码
1#Author：
Charlotte
2#Plotmnistdataset
3fromkeras.datasetsimportmnist
4importmatplotlib.pyplotasplt
5#loadtheMNISTdataset
6（X_train,y_train）,（X_test,y_test）=mnist.load_data（）
7#plot4imagesasgrayscale
8plt.subplot（221）
9plt.imshow（X_train[0],cmap=plt.get_cmap（'PuBuGn_r'））
10plt.subplot（222）
11plt.imshow（X_train[1],cmap=plt.get_cmap（'PuBuGn_r'））
12plt.subplot（223）
13plt.imshow（X_train[2],cmap=plt.get_cmap（'PuBuGn_r'））
14plt.subplot（224）
15plt.imshow（X_train[3],cmap=plt.get_cmap（'PuBuGn_r'））
16#showtheplot
17plt.show（）
复制代码
图：
1.BaseLine版本
一开始我没有想过用CNN做，因为比较耗时，所以想看看直接用比较简单的算法看能不能得到很好的效果。
之前用过机器学习算法跑过一遍，最好的效果是SVM，96.8%（默认参数，未调优），所以这次准备用神经网络做。
BaseLine版本用的是MultiLayerPercepton（多层感知机）。
这个网络结构比较简单，输入--->隐含--->输出。
隐含层采用的rectifierlinearunit，输出直接选取的softmax进行多分类。
网络结构：
代码：
复制代码
1#coding:
utf-8
2#BaselineMLPforMNISTdataset
3importnumpy
4fromkeras.datasetsimportmnist
5fromkeras.modelsimportSequential
6fromkeras.layersimportDense
7fromkeras.layersimportDropout
8fromkeras.utilsimportnp_utils
9
10seed=7
11numpy.random.seed（seed）
12#加载数据
13（X_train,y_train）,（X_test,y_test）=mnist.load_data（）
14
15num_pixels=X_train.shape[1]*X_train.shape[2]
16X_train=X_train.reshape（X_train.shape[0],num_pixels）.astype（'float32'）
17X_test=X_test.reshape（X_test.shape[0],num_pixels）.astype（'float32'）
18
19X_train=X_train/255
20X_test=X_test/255
21
22#对输出进行onehot编码
23y_train=np_utils.to_categorical（y_train）
24y_test=np_utils.to_categorical（y_test）
25num_classes=y_test.shape[1]
26
27#MLP模型
28defbaseline_model（）:
29model=Sequential（）
30model.add（Dense（num_pixels,input_dim=num_pixels,init='normal',activation='relu'））
31model.add（Dense（num_classes,init='normal',activation='softmax'））
32model.summary（）
33pile（loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy']）
34returnmodel
35
36#建立模型
37model=baseline_model（）
38
39#Fit
40model.fit（X_train,y_train,validation_data=（X_test,y_test）,nb_epoch=10,batch_size=200,verbose=2）
41
42#Evaluation
43scores=model.evaluate（X_test,y_test,verbose=0）
44print（"BaselineError:
%.2f%%"%（100-scores[1]*100））#输出错误率
复制代码
结果：
复制代码
1Layer（type）OutputShapeParam#Connectedto
2====================================================================================================
3dense_1（Dense）（None,784）615440dense_input_1[0][0]
4____________________________________________________________________________________________________
5dense_2（Dense）（None,10）7850dense_1[0][0]
6====================================================================================================
7Totalparams:
623290
8____________________________________________________________________________________________________
9Trainon60000samples,validateon10000samples
10Epoch1/10
113s-loss:
0.2791-acc:
0.9203-val_loss:
0.1420-val_acc:
0.9579
12Epoch2/10
133s-loss:
0.1122-acc:
0.9679-val_loss:
0.0992-val_acc:
0.9699
14Epoch3/10
153s-loss:
0.0724-acc:
0.9790-val_loss:
0.0784-val_acc:
0.9745
16Epoch4/10
173s-loss:
0.0509-acc:
0.9853-val_loss:
0.0774-val_acc:
0.9773
18Epoch5/10
193s-loss:
0.0366-acc:
0.9898-val_loss:
0.0626-val_acc:
0.9794
20Epoch6/10
213s-loss:
0.0265-acc:
0.9930-val_loss:
0.0639-val_acc:
0.9797
22Epoch7/10
233s-loss:
0.0185-acc:
0.9956-val_loss:
0.0611-val_acc:
0.9811
24Epoch8/10
253s-loss:
0.0150-acc:
0.9967-val_loss:
0.0616-val_acc:
0.9816
26Epoch9/10
274s-loss:
0.0107-acc:
0.9980-val_loss:
0.0604-val_acc:
0.9821
28Epoch10/10
294s-loss:
0.0073-acc:
0.9988-val_loss:
0.0611-val_acc:
0.9819
30BaselineError:
1.81%
复制代码
可以看到结果还是不错的，正确率98.19%，错误率只有1.81%，而且只迭代十次效果也不错。
这个时候我还是没想到去用CNN，而是想如果迭代100次，会不会效果好一点？
于是我迭代了100次，结果如下：
Epoch100/100
8s-loss:
4.6181e-07-acc:
1.0000-val_loss:
0.0982-val_acc:
0.9854
BaselineError:
1.46%
从结果中可以看出，迭代100次也只提高了0.35%，没有突破99%，所以就考虑用CNN来做。
2.简单的CNN网络
keras的CNN模块还是很全的，由于这里着重讲CNN的结果，对于CNN的基本知识就不展开讲了。
网络结构：
代码：
复制代码
1#coding:
utf-8
2#SimpleCNN
3importnumpy
4fromkeras.datasetsimportmnist
5fromkeras.modelsimportSequential
6fromkeras.layersimportDense
7fromkeras.layersimportDropout
8fromkeras.layersimportFlatten
9fromkeras.layers.convolutionalimportConvolution2D
10fromkeras.layers.convolutionalimportMaxPooling2D
11fromkeras.utilsimportnp_utils
12
13seed=7
14numpy.random.seed（seed）
15
16#加载数据
17（X_train,y_train）,（X_test,y_test）=mnist.load_data（）
18#reshapetobe[samples][channels][width][height]
19X_train=X_train.reshape（X_train.shape[0],1,28,28）.astype（'float32'）
20X_test=X_test.reshape（X_test.shape[0],1,28,28）.astype（'float32'）
21
22#normalizeinputsfrom0-255to0-1
23X_train=X_train/255
24X_test=X_test/255
25
26#onehotencodeoutputs
27y_train=np_utils.to_categorical（y_train）
28y_test=np_utils.to_categorical（y_test）
29num_classes=y_test.shape[1]
30
31#defineasimpleCNNmodel
32defbaseline_model（）:
33#createmodel
34model=Sequential（）
35model.add（Convolution2D（32,5,5,border_mode='valid',input_shape=（1,28,28）,activation='relu'））
36model.add（MaxPooling2D（pool_size=（2,2）））
37model.add（Dropout（0.2））
38model.add（Flatten（））
39model.add（Dense（128,activation='relu'））
40model.add（Dense（num_classes,activation='softmax'））
41#Compilemodel
42pile（loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy']）
43returnmodel
44
45#buildthemodel
46model=baseline_model（）
47
48#Fitthemodel
49model.fit（X_train,y_train,validation_data=（X_test,y_test）,nb_epoch=10,batch_size=128,verbose=2）
50
51#Finalevaluationofthemodel
52scores=model.evaluate（X_test,y_test,verbose=0）
53print（"CNNError:
%.2f%%"%（100-scores[1]*100））
复制代码
结果：
复制代码
1____________________________________________________________________________________________________
2Layer（type）OutputShapeParam#Connectedto
3====================================================================================================
4convolution2d_1（Convolution2D）（None,32,24,24）832convolution2d_input_1[0][0]
5____________________________________________________________________________________________________
6maxpooling2d_1（MaxPooling2D）（None,32,12,12）0convolution2d_1[0][0]
7____________________________________________________________________________________________________
8dropout_1（Dropout）（None,32,12,12）0maxpooling2d_1[0][0]
9____________________________________________________________________________________________________
10flatten_1（Flatten）（None,4608）0dropout_1[0][0]
11____________________________________________________________________________________________________
12dense_1（Dense）（None,128）589952flatten_1[0][0]
13____________________________________________________________________________________________________
14dense_2（Dense）（None,10）1290dense_1[0][0]
15====================================================================================================
16Totalparams:
592074
17____________________________________________________________________________________________________
18Trainon60000samples,validateon10000samples
19Epoch1/10
2032s-loss:
0.2412-acc:
0.9318-val_loss:
0.0754-val_acc:
0.9766
21Epoch2/10
2232s-loss:
0.0726-acc:
0.9781-val_loss:
0.0534-val_acc:
0.9829
23Epoch3/10
2432s-loss:
0.0497-acc:
0.9852-val_loss:
0.0391-val_acc:
0.9858
25Epoch4/10
2632s-loss:
0.0413-acc:
0.9870-val_loss:
0.0432-val_acc:
0.9854
27Epoch5/10
2834s-loss:
0.0323-acc:
0.9897-val_loss:
0.0375-val_acc:
0.9869
29Epoch6/10
3036s-loss:
0.0281-acc:
0.9909-val_loss:
0.0424-val_acc:
0.9864
31Epoch7/10
3236s-loss:
0.0223-acc:
0.9930-val_loss:
0.0328-val_acc:
0.9893
33Epoch8/10
3436s-loss:
0.0198-acc:
0.9939-val_loss:
0.0381-val_acc:
0.9880
35Epoch9/10
3636s-loss:
0.0156-acc:
0.9954-val_loss:
0.0347-val_acc:
0.9884
37Epoch10/10
3836s-loss:
0.0141-acc:
0.9955-val_loss:
0.0318-val_acc:
0.9893
39CNNError:
1.07%
复制代码
迭代的结果中，loss和acc为训练集的结果，val_loss和val_acc为验证机的结果。
从结果上来看，效果不错，比100次迭代的MLP（1.46%）提升了0.39%，CNN的误差率为1.07%。
这里的CNN的网络结构还是比较简单的，如果把CNN的结果再加几层，边复杂一代，结果是否还能提升？
3.LargerCNN
这一次我加了几层卷积层，代码：
复制代码
1#LargerCNN
2importnumpy
3fromkeras.datasetsimportmnist
4fromkeras.modelsimportSequential
5fromkeras.layersimportDense
6fromkeras.layersimportDropout
7fromkeras.layersimportFlatten
8fromkeras.layers.convolutionalimportConvolution2D
9fromkeras.layers.convolutionalimportMaxPooling2D
10fromkeras.utilsimportnp_utils
11
12seed=7
13numpy.random.seed（seed）
14#loaddata
15（X_train,y_train）,（X_test,y_test）=mnist.load_data（）
16#reshapetobe[samples][pixels][width][height]
17X_train=X_train.reshape（X_train.shape[0],1,28,28）.astype（'float32'）
18X_test=X_test.reshape（X_test.shape[0],1,28,28）.astype（'float32'）
19#normalizeinputsfrom0-255to0-1
20X_train=X_train/255
21X_test=X_test/255
22#onehotencodeoutputs
23y_train=np_utils.to_categorical（y_train）
24y_test=np_utils.to_categorical（y_test）
25num_classes=y_t
升级会员 