卷积神经网络实现手写数字图像识别 附代码
时间: 2023-10-11 18:13:07 浏览: 124
基于Python BP神经网络与卷积神经网络实现手写数字图像识别【100011323】
手写数字图像识别是深度学习领域的一个经典问题,可以使用卷积神经网络(CNN)来解决。下面是一个简单的示例代码,演示如何使用CNN来实现手写数字图像识别。
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 对数据进行预处理
x_train = x_train.reshape(-1, 28, 28, 1) / 255.0
x_test = x_test.reshape(-1, 28, 28, 1) / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)
# 定义模型
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)
```
代码解释:
1. 首先导入需要的库,包括tensorflow和mnist数据集。
2. 加载mnist数据集,并进行预处理,将每个像素值缩放到0到1之间,并将标签转换为one-hot编码形式。
3. 构建CNN模型,包括两个卷积层、两个池化层、一个全连接层和一个输出层。其中卷积层和池化层可以提取图像特征,全连接层可以将特征转换为预测结果,输出层使用softmax激活函数进行分类。
4. 编译模型,指定优化器、损失函数和评估指标。
5. 训练模型,使用训练集进行模型训练,并使用测试集进行模型验证。
6. 评估模型,计算模型在测试集上的准确率。
运行代码后,将会得到一个手写数字图像识别模型,并在测试集上进行评估。你可以根据自己的需求对代码进行修改来构建不同的CNN模型。
阅读全文