（高职）7.4 利用神经网络辨认手写数字ppt课件.pptx

《（高职）7.4 利用神经网络辨认手写数字ppt课件.pptx》由会员分享，可在线阅读，更多相关《（高职）7.4 利用神经网络辨认手写数字ppt课件.pptx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、7.4 利用神经网络辨认手写数字人工智能神经网络利用神经网络辨认手写数字目录y0= “0”y1= “1”y5= “5”y9= “9”训练数据特征数据：X标记数据：Y + =? ? ? ? ?网络模型调整模型【损失函数不足够小或epochs未达到】Optimizer=sgd【损失函数足够小或达到epochs】结束训练Loss:categorical crossentropy神经网络分类方法：训练数据和使用网络进行分类y0= “0”y1= “1”y5= “5”y9= “9”MNIST数据集MNIST是一个包含数字09的手写体图片数据集，图片已归一化为以手写数字为中心的28*28规格的图片。MNIS

2、T由训练集与测试集两个部分组成，各部分规模如下： 60,000个手写体图片及对应标签 10,000个手写体图片及对应标签训练集测试集MNIST数据集数据集中的每张图片包括784（2828）个像素点01每个像素点的值区间为0255，0表示白色，255表示黑色02使用全连接网络时可将784个像素点组成长度为784的一维数组，作为输入特征。030: 1，0，0，0，0，0，0，0，0，01: 0，1，0，0，0，0，0，0，0，02: 0，0，1，0，0，0，0，0，0，03: 0，0，0，1，0，0，0，0，0，04: 0，0，0，0，1，0，0，0，0，05: 0，0，0，0，0，1，0，0，0

3、，06: 0，0，0，0，0，0，1，0，0，07: 0，0，0，0，0，0，0，1，0，08: 0，0，0，0，0，0，0，0，1，09: 0，0，0，0，0，0，0，0，0，1y0= “0”y1= “1”y5= “5”y9= “9”？W形状XY形状XW1YW2?0000000015 import numpy as np6 7 from keras.datasets import mnist8 from keras.utils import np_utils9 from keras.models import Sequential10 from keras.layers import Den

4、se, Activation11 from keras.optimizers import SGD12 import time16 # 下载 mnist 数据集 to the path /.keras/datasets/17 # 加载数据18 (X_train, y_train), (X_test, y_test) = mnist.load_data()19 20 # data pre-processing 数据预处理21 X_train = X_train.reshape(X_train.shape0, -1) / 255. # 为了简单，都变成一维，normalize22 X_test =

5、 X_test.reshape(X_test.shape0, -1) / 255. # 为了简单，都变成一维，normalize23 y_train = np_utils.to_categorical(y_train, num_classes=10) #10个数字，下同24 y_test = np_utils.to_categorical(y_test, num_classes=10)27 model = Sequential()28 #第一个全连接层，输出32维，输入78429 model.add(Dense(32, input_shape = (784,)30 #用relu作为激活函数31

6、 model.add(Activation(relu)32 #第二个全连接层输出1033 model.add(Dense(10)34 #第二层使用softmax 分类35 model.add(Activation(softmax)40 sgd=SGD(lr=0.005, momentum=0.0, decay=0.0, nesterov=False) #定义一个优化方法42 #为网络配置优化器和损失函数所使用的目标函数，这里为分类器准备了交叉熵函数43 pile(optimizer=sgd,44 loss=categorical_crossentropy,45 metrics=accuracy

7、)47 print(Training -)48 model.fit(X_train, y_train, epochs=2, batch_size=64)50 print(nTesting -)51 loss, accuracy = model.evaluate(X_test, y_test)53 print(test loss: , loss)54 print(test accuracy: , accuracy)Testing - 32/10000 . - ETA: 7s3360/10000 =. - ETA: 0s7904/10000 =. - ETA: 0s10000/10000 = - 0s 15us/steptest accuracy: 0.876800000667572y0= “0”y1= “1”y5= “5”y9= “9”0000000011231234本节结束！