15

1.手写数字数据集

• from sklearn.datasets import load_digits
• digits = load_digits()

 

2.图片数据预处理

• x：归一化MinMaxScaler()
• y：独热编码OneHotEncoder()或to_categorical
• 训练集测试集划分
• 张量结构

• 3.设计卷积神经网络结构

  • 绘制模型结构图，并说明设计依据。

  

   
  
  

  #建立模型
  #3.设计卷积神经网络结构
  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Dense,Dropout,Conv2D,MaxPool2D,Flatten
  #3、建立模型
  model = Sequential()
  ks = (3, 3) #定义第一层的卷积核的大小
  input_shape = x_train.shape[1:]
  # 一层卷积，padding='same',tensorflow会对输入自动补0
  #设置第一次定义的卷积核个数
  #第一层输入数据shape指定，剩下的会自动运算
  model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=input_shape, activation='relu'))# 池化层1
  #设置ks卷积核大小不变
  model.add(MaxPool2D(pool_size=(2, 2)))# 防止过拟合，随机丢掉连接，丢掉一下参数
  model.add(Dropout(0.25))# 二层卷积
  model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu'))# 池化层2
  model.add(MaxPool2D(pool_size=(2, 2)))
  model.add(Dropout(0.25))# 三层卷积，丢掉0.25的链接
  model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu'))# 四层卷积
  model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu'))# 池化层3
  model.add(MaxPool2D(pool_size=(2, 2)))
  model.add(Dropout(0.25))# 平坦层，丢掉0.25的链接
  model.add(Flatten())# 全连接层
  model.add(Dense(128, activation='relu'))# 激活函数softmax
  model.add(Dropout(0.25))#丢掉0.25的链接
  model.add(Dense(10, activation='softmax'))
  print(model.summary())

  
  
  

• 

   

   4模型训练

• #绘制模型结构图
  def show_train_history(train_history, train, validation):
  plt.plot(train_history.history[train])
  plt.plot(train_history.history[validation])
  plt.title('Train History')
  plt.ylabel('train')
  plt.xlabel('epoch')
  plt.legend(['train', 'validation'], loc='upper left')
  plt.show()
  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
  train_history = model.fit(x=x_train, y=y_train, validation_split=0.2, batch_size=300, epochs=10, verbose=2)
  # 准确率
  show_train_history(train_history, 'accuracy', 'val_accuracy')
  # 损失率
  show_train_history(train_history, 'loss', 'val_loss')

• 

   

   

   

   

   

   

   

   

  5.模型评价

  • model.evaluate()
  • 交叉表与交叉矩阵
  • pandas.crosstab
  • seaborn.heatmap

  • # 模型评价
    # 模型评估
    score = model.evaluate(x_test, y_test)[1]
    print('模型准确率=',score)
    # 预测值
    y_pre = model.predict_classes(x_test)
    y_pre[:10]

    # 交叉表和交叉矩阵
    y_test1 = np.argmax(y_test, axis=1).reshape(-1)
    y_true = np.array(y_test1)[0]
    y_true.shape
    # 交叉表查看预测数据与原数据对比
    pd.crosstab(y_true, y_pre, rownames=['true'], colnames=['predict'])

    # 交叉矩阵
    y_test1 = y_test1.tolist()[0]
    a = pd.crosstab(np.array(y_test1), y_pre, rownames=['Lables'], colnames=['predict'])
    df = pd.DataFrame(a)
    print(df)
    sns.heatmap(df, annot=True, cmap="Reds", linewidths=0.2, linecolor='G')

  • 

     

     

     

     6 补交作业

  • 第六次逻辑回归           https://www.cnblogs.com/226aa/p/13070534.html
  • 第七次逻辑回归实践    https://www.cnblogs.com/226aa/p/13071117.html
  • 第八次 特征选择          https://www.cnblogs.com/226aa/p/13071456.html
  •  11分类与监督学习，朴素贝叶斯分类算法        https://www.cnblogs.com/226aa/p/13072785.html
  • 12朴素贝叶斯-垃圾邮件分类+                          https://www.cnblogs.com/226aa/p/13073948.html   
  • 13垃圾邮件分类2                                             https://www.cnblogs.com/226aa/p/13083330.html