keras 识别mnist手写体(用CNN之lenet网络)

一，lenet

lenet是CNN的开山鼻祖，可以说是第一个实现CNN的网络：(lenet网络结构如下：)

二，mnist手写体数据集

形如上图的数字手写体就是mnist数据集。尺寸大写都是28x28，都是灰度图，所以通道数都为1。
 

三，keras训练代码：

import numpy as np
import keras
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten
from keras.optimizers import SGD
import os
import matplotlib.pyplot as plt

os.environ['CUDA_VISIBLE_DEVICES']='0' #使用GPU

(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(-1, 28, 28, 1)
X_test = X_test.reshape(-1, 28, 28, 1)
X_train = X_train / 255 #归一化
X_test = X_test / 255
y_train = np_utils.to_categorical(y_train, num_classes=10) #label onehot化
y_test = np_utils.to_categorical(y_test, num_classes=10)

def lenet():
    model = Sequential()
    #第一层卷积
    model.add(Conv2D(input_shape=(28, 28, 1), kernel_size=(5, 5), filters=20, activation='relu')) #filters为输出通道数
    model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='same'))
    #第二层卷积
    model.add(Conv2D(kernel_size=(5, 5), filters=50,  activation='relu', padding='same'))
    model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='same'))

    model.add(Flatten()) #进入全连接层fc之前，要展成一维数组
    model.add(Dense(500, activation='relu')) #全连接层fc1
    model.add(Dense(10, activation='softmax')) #全连接层fc2
    sgd = SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True) #确定优化器
    model.compile(optimizer=sgd, loss='categorical_crossentropy', metrics=['accuracy']) #模型编译
    return model #最后返回模型

if __name__ == '__main__':
    model = lenet() #加载lenet模型
    print('Training')
    history = model.fit(X_train, y_train, epochs=30, batch_size=32,validation_split=0.2) #训练模型
    # validation_split=0.2表示，每五个训练集中拿一个出来当验证集

    print('\nTesting')
    text_loss, text_accuracy = model.evaluate(X_test, y_test) #测试模型

    print('\ntest loss: ', text_loss)
    print('\ntest accuracy: ', text_accuracy)

    #keras画图
    acc = history.history['acc']
    val_acc = history.history['val_acc']
    loss = history.history['loss']
    val_loss = history.history['val_loss']
    epochs = range(1,len(acc)+1)

    plt.plot(epochs,acc,'bo',label='trainning acc')
    plt.plot(epochs,loss,'b',label='training loss')
    plt.plot(epochs,val_acc,'ro',label='val_acc')
    plt.plot(epochs,val_loss,'r',label='val_loss')

    plt.legend()
    plt.show()
    model.save('lenet.h5')  #保存模型

运行效果：

验证集准确度达到0.99，且在本目录下保存了一个lenet.h5模型

四，预测代码：

from keras.models import load_model
import cv2
import numpy as np
print("Using loaded model to predict...")
load_model = load_model("./lenet.h5") #读取模型
img = cv2.imread('3.png',cv2.IMREAD_GRAYSCALE) #读入灰度图

img = img.reshape(-1, 28, 28, 1)
img = img/255 #归一化，训练时做了归一化那么预测时也要做相同的归一化
predicted = load_model.predict(img) #输出预测结果
print(predicted)
predicted = np.argmax(predicted)
print(predicted)

在画图软件中画出28x28的数字3：

运行结果：

上面的是，预测为 0，1，2，3，.......，9的概率，其中可以看到3(即第四个)概率是最大的。

因此可预测数字为3。