機器學習-手寫數字識別

• 2019 年 10 月 8 日
• 筆記

據說，在命令行窗口列印出『hello，world』是入門程式語言的第一個程式，那麼手寫數字識別就是機器學習的hello，world了，學習的東西不經常複習的容易忘記，因此在這裡記錄一下。

最初學習機器學習的時候，我自己先做的其實是線性回歸和邏輯回歸，但是我用自己創建的函數和數據一直不能很好的讓結果去擬合數據，所以不是成功的程式碼，還是需要在多研究一下。

關於機器學習的影片，我個人推薦吳恩達和李宏毅的影片，結合起來看可能會很亂，但是理解到的話，還是會很清晰的。

要進行手寫數字識別，首先需要數據，然後在定義一個神經網路來對數據進行訓練，然後把訓練好的權重和模型保存起來，在另外的程式調用，並拿來測試你想要測試的圖片，看看訓練的結果是不是比較正確。

關於數據獲取，這裡選擇的keras自帶的數據集，可以在keras的官網可以找到你需要的數據集，https://keras.io/datasets/

這裡就有第一個坑，因為keras好像是國外的，用程式下載的時候需要翻牆才能下載，這裡就可以去簡單的下載一個藍燈就可以下載了，大小15m左右，下載完後會自動保存好，下次使用也不用重新下載，會直接調用。

數據集包含10個數字的60,000個28×28灰度影像，以及10,000個影像的測試集。

下載好數據集後，接著需要將數據處理一下，將其變成程式需要的格式，具體程式碼如下：

from keras.utils import to_categorical  train_images = x_train.reshape((60000,28*28))         #將x_train轉化為（60000，784）的格式  test_images = x_test.reshape((10000,28*28))    train_images = train_images.astype('float32')/255   #將影像的數值變成0-1之間的小數  test_images = test_images.astype('float32')/255  train_labels = to_categorical(y_train)  test_labels = to_categorical(y_test)

這個是沒有astype的x_train的值：

這個是經過astype（）之後的數值

接著，to_categorical就是將類別向量轉換為二進位（只有0和1）的矩陣類型表示。

用keras搭建神經網路的程式碼很簡單，也就十幾行程式碼就可以實現一個簡單的神經網路用來訓練數據了。

from keras import models  from keras import layers  network = models.Sequential()  network.add(layers.Dense(633, activation='relu', input_shape=(28*28,)))  network.add(layers.Dense(633, activation='relu'))  network.add(layers.Dense(10,activation='softmax'))  from keras import optimizers  network.compile(optimizer = 'adam',                  loss='categorical_crossentropy',                  metrics=['accuracy'])  network.fit(train_images,train_labels, epochs=5,batch_size=128)    test_loss, test_acc = network.evaluate(test_images, test_labels)  print('test_acc:', test_acc)  network.save('shouxie.h5')

第一步是構建模型：

如程式碼所示，首先導入需要的庫函數，定義一個神經網路的model，

Sequential是一系列網路層按順序構成的棧

然後再給model添加輸入層，指定好輸入層類型，dense是指全連接，輸出個數是633，激活函數是relu，輸入個數是28*28個。然後再添加一個隱藏層，這裡就不用定義輸入個數，只需要輸出的和激活函數，緊接著就是輸出層了，因為我們的數字是0-9，有10個數字，這裡的大小也是10，而這裡的激活函數就要改成softmax，模型就這樣構建完成了。

接著就是第二步編譯一下模型：

用compile函數來編譯，並定義好，損失函數，優化器（比如梯度下降）的方法，以及metrics函數。

第三步就是用fit函數來訓練模型：

x_train,y_train :訓練數據集

batch_size :指定一個size表示每次更新一次參數需要從訓練集中隨機抽取多少個樣本，一般越大速度越快

epochs :每次使用完所有的訓練數據集表示一次epoch

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

這裡就是將訓練結果的成功率和loss結果提取出來，並輸出結果。

到這裡一個神經網路也就搭建完成了，如果需要能提取模型，以便我們使用訓練的結果的話，還需要將模型保存起來，這裡將模型保存成h5的格式。

再用訓練得到的模型對數據預測，可以看出預測的結果是對的，模型的準確率也有97之高。

就這樣一個機器學習的helloworld就做好了。