VGG16训练mnist

VGG16是一个经典的卷积神经网络模型，主要用于图像分类任务。虽然VGG16在ImageNet等大规模图像数据集上表现出色，但对于MNIST这样的小规模数据集，VGG16可能过于复杂，容易过拟合。不过，我们仍然可以使用VGG16模型来训练MNIST数据集，以下是一种可能的实现方法：

1. 加载数据集：使用Keras自带的mnist数据集加载函数，将数据集划分为训练集和测试集。

from keras.datasets import mnist
from keras.utils import to_categorical

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

2. 构建模型：使用Keras搭建VGG16模型，并替换掉最后一层全连接层，将输出改为10类别（MNIST数据集的类别数）。

from keras.applications import VGG16
from keras import models
from keras import layers

conv_base = VGG16(weights='imagenet', include_top=False, input_shape=(48, 48, 3))

model = models.Sequential()
model.add(layers.UpSampling2D((2, 2)))
model.add(conv_base)
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

conv_base.trainable = False

3. 编译模型：使用交叉熵作为损失函数，使用Adam优化器，评价指标为准确率。

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

4. 训练模型：使用训练集进行训练，同时在验证集上进行验证。

history = model.fit(train_images, train_labels, 
                    epochs=5, batch_size=128, 
                    validation_data=(test_images, test_labels))

5. 评估模型：使用测试集进行评估。

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('test_acc:', test_acc)

注意，由于VGG16模型在ImageNet等大规模数据集上训练，输入图像大小通常为224x224或者更大，因此在使用VGG16模型训练MNIST数据集时，需要将图片大小进行调整。上述实现方法中，我们使用了2倍上采样的方式将28x28的图片放大为48x48大小的图片。此外，由于MNIST数据集只有单通道灰度图像，因此需要将输入数据reshape为(60000, 28, 28, 1)。