基于Keras+CNN的MNIST数据集手写数字分类
2018年9月19日笔记
Keras官方github链接：https://github.com/keras-team/keras 官方的口号是Keras: Deep Learning for humans，中文叫做Keras是给人使用的深度学习开发框架，其意义是Keras是一个高度集成的开发框架，其中的API调用很简单。 Keras用python语言编写，在tensorflow、cntk、theano这3种框架的基础上运行。 本文是学习github源码的笔记，源码链接：https://github.com/keras-team/keras/blob/master/examples/cifar10_cnn.py
0.编程环境
操作系统：Win10 python版本：3.6 tensorflow-gpu版本：1.6 keras版本：2.1.5
1.配置环境
先安装tenforflow的GPU版本，再安装keras。 使用卷积神经网络模型要求有较高的机器配置，如果使用CPU版tensorflow会花费大量时间。 读者在有nvidia显卡的情况下，安装GPU版tensorflow会提高计算速度50倍。 安装教程链接：https://mp.weixin.qq.com/s/MTugq-5AdPGik3yJb9yDJQ 如果没有nvidia显卡，但有visa信用卡，请阅读我的另一篇文章《在谷歌云服务器上搭建深度学习平台》，链接：https://www.jianshu.com/p/893d622d1b5a
2.完整代码
此章给读者能够直接运行的完整代码，使读者有编程结果的感性认识。 如果下面一段代码运行成功，则说明安装tensorflow环境成功。 想要了解代码的具体实现细节，请阅读后面的章节。
from keras.datasets import mnist
from keras.utils import to_categorical
train_X, train_y = mnist.load_data()[0]
train_X = train_X.reshape(-1, 28, 28, 1)
train_X = train_X.astype('float32')
train_X /= 255
train_y = to_categorical(train_y, 10)
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
from keras.losses import categorical_crossentropy
from keras.optimizers import Adadelta
model = Sequential()
model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
model.compile(loss=categorical_crossentropy,
optimizer=Adadelta(),
metrics=['accuracy'])
batch_size = 100
epochs = 8
model.fit(train_X, train_y,
batch_size=batch_size,
epochs=epochs)
test_X, test_y = mnist.load_data()[1]
test_X = test_X.reshape(-1, 28, 28, 1)
test_X = test_X.astype('float32')
test_X /= 255
test_y = to_categorical(test_y, 10)
loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
print('loss:%.4f accuracy:%.4f' %(loss, accuracy))上面一段代码的运行结果如下：
Epoch 1/8 60000/60000 [==============================] - 11s 190us/step - loss: 0.2232 - acc: 0.9306 Epoch 2/8 60000/60000 [==============================] - 9s 147us/step - loss: 0.0818 - acc: 0.9756 Epoch 3/8 60000/60000 [==============================] - 9s 148us/step - loss: 0.0633 - acc: 0.9817 Epoch 4/8 60000/60000 [==============================] - 9s 147us/step - loss: 0.0538 - acc: 0.9843 Epoch 5/8 60000/60000 [==============================] - 9s 147us/step - loss: 0.0468 - acc: 0.9861 Epoch 6/8 60000/60000 [==============================] - 9s 148us/step - loss: 0.0428 - acc: 0.9875 Epoch 7/8 60000/60000 [==============================] - 9s 147us/step - loss: 0.0405 - acc: 0.9880 Epoch 8/8 60000/60000 [==============================] - 9s 148us/step - loss: 0.0376 - acc: 0.9888 10000/10000 [==============================] - 1s 111us/step loss:0.0223 accuracy:0.9930
epoch中文叫做新纪元，每经过1次epoch，即模型训练遍历所有样本1次； 上文中epoch设置为8，即模型训练遍历所有样本8次； batch_size设置为100，即每次模型训练使用的样本数量为100； 每经过1次epoch，模型遍历训练集的60000个样本，每次训练使用100个样本，即模型训练600次，即损失函数经过600次批量梯度下降。 从上面的运行结果可以看出，经过8次epoch，模型在测试集的准确率到达0.9930。
3.数据观察
3.1 使用keras库中的方法加载数据
本文使用keras.datasets库的mnist.py文件中的load_data方法加载数据。
本文作者使用anaconda集成开发环境，keras.datasets库的mnist.py文件路径：C:\ProgramData\Anaconda3\Lib\site-packages\keras\datasets，如下图所示：
image.png
mnist.py文件中代码如下：
from ..utils.data_utils import get_file
import numpy as np
def load_data(path='mnist.npz'):
path = get_file(path,
origin='https://s3.amazonaws.com/img-datasets/mnist.npz',
file_hash='8a61469f7ea1b51cbae51d4f78837e45')
f = np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
f.close()
return (x_train, y_train), (x_test, y_test)第1行代码导入此文件上一级目录utils.data_tuils路径下的get_file方法；
第2行代码导入numpy库，起别名np；
第4-12行代码定义load_data方法；
第5-7行代码会检查keras的缓存文件夹中是否有mnist.npz文件，如果没有则下载第6行代码的url链接指向的资源；
keras缓存文件夹是用户路径的.keras文件夹，举例本文作者的keras缓存文件夹路径：C:\Users\Administrator\.keras\datasets
在第一次运行load_data方法时，会从网络上下载mnist.npz文件，之后运行则不需要下载。
mnist.npz文件在keras缓存文件夹的情况如下图所示：
image.png
3.2 查看数据情况
从3.1节mnist.py文件的代码可以看出，load_data方法返回值是一个元组，其中有2个元素。 第1个元素是训练集的数据，第2个元素是测试集的数据； 训练集的数据是1个元组，里面包括2个元素，第1个元素是特征矩阵，第2个元素是预测目标值； 测试集的数据是1个元组，里面包括2个元素，第1个元素是特征矩阵，第2个元素是预测目标值。 第1种写法：
from keras.datasets import mnist
train_data = mnist.load_data()[0]
test_data = mnist.load_data()[1]
train_X , train_y = train_data
test_X, test_y = test_data
print(train_X.shape, train_y.shape)
print(test_X.shape, test_y.shape)第2种写法：
from keras.datasets import mnist
(train_X, train_y), (test_X, test_y) = mnist.load_data()
print(train_X.shape, train_y.shape)
print(test_X.shape, test_y.shape)上面两种代码写法的运行结果相同，读者可以通过对比体会如何使用python中的元组。
(60000, 28, 28) (60000,) (10000, 28, 28) (10000,)
从上面的运行结果可以看出，训练集总共有60000个样本，测试集总共有10000个样本，每个图片样本的像素大小是28*28。
3.3 查看手写数字图
运行下面代码成功的前提是读者保持前文代码中的变量名。 本文作者按照中国人的思维习惯，喜欢将变量内容的主体放在变量命名的后边。 例如训练集的特征矩阵，主体是特征矩阵，本文作者将其变量命名为train_X。 外国人的思维习惯，习惯将变量内容的主体放在变量命名的前面。 例如训练集的特征矩阵，主体是特征矩阵，外国人将其变量命名为X_train。 从训练集train_X中选取一部分样本查看图片内容，即调用random的sample方法随机获得一部分样本，代码如下：
import matplotlib.pyplot as plt
import math
import random
def drawDigit(position, image, title):
plt.subplot(*position)
plt.imshow(image.reshape(-1, 28), cmap='gray_r')
plt.axis('off')
plt.title(title)
def batchDraw(batch_size):
selected_index = random.sample(range(len(train_y)), k=batch_size)
images,labels = train_X[selected_index], train_y[selected_index]
image_number = images.shape[0]
row_number = math.ceil(image_number ** 0.5)
column_number = row_number
plt.figure(figsize=(row_number, column_number))
for i in range(row_number):
for j in range(column_number):
index = i * column_number + j
if index < image_number:
position = (row_number, column_number, index+1)
image = images[index]
title = 'actual:%d' %(labels[index])
drawDigit(position, image, title)
batchDraw(100)
plt.show()上面一段代码的运行结果如下图所示，本文作者对难以辨认的数字做了红色方框标注：
image.png
4.数据准备
from keras.datasets import mnist
from keras.utils import to_categorical
train_X, train_y = mnist.load_data()[0]
train_X = train_X.reshape(-1, 28, 28, 1)
train_X = train_X.astype('float32')
train_X /= 255
train_y = to_categorical(train_y, 10)第1行代码从keras.datasets库中导入mnist.py文件； 第2行代码从keras.utils库中导入to_categorical方法； 第4行代码获取训练集的特征矩阵赋值给变量train_X，获取训练集的预测目标值赋值给变量train_y； 第5-7行代码将原始的特征矩阵做数据处理形成模型需要的数据； 第8行代码使用keras中的方法对数字的标签分类做One-Hot编码。
5.搭建神经网络
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
from keras.losses import categorical_crossentropy
from keras.optimizers import Adadelta
model = Sequential()
model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
model.compile(loss=categorical_crossentropy,
optimizer=Adadelta(),
metrics=['accuracy'])第1-4行代码导入keras中的模型、层、损失函数、优化器。 第6行代码使用keras.model库的Sequential方法实例化模型对象； 第7、8行代码是模型中添加卷积层； 第9行代码是模型中添加最大池化层； 第10行代码是模型中的数据矩阵展平； 第11行代码是模型中添加dropout操作； 第12行代码是模型中添加全连接层； 第13行代码是模型中添加dropout操作； 第14行代码是模型中添加全连接层，且使用relu作为激活函数，即最终分类结果； 第16-18行代码为模型指定损失函数，优化器，评判指标。
6.模型训练
batch_size = 100
epochs = 8
model.fit(train_X, train_y,
batch_size=batch_size,
epochs=epochs)第1行代码设置批量梯度下降时的batch_size为100； 第2行代码设置遍历所有样本的次数epoch为8，读者可以自行尝试不同的值，本文作者在设置为8时取得较好的收敛效果； 第3-5行代码调用模型对象的fit方法开始模型训练，fit方法需要4个参数，第1个参数是特征矩阵，第2个参数是预测目标值，第3个关键字参数batch_size，第4个关键字参数epochs。 上面一段代码的运行结果如下图所示：
Epoch 1/8 60000/60000 [==============================] - 12s 192us/step - loss: 0.2178 - acc: 0.9330 Epoch 2/8 60000/60000 [==============================] - 9s 150us/step - loss: 0.0810 - acc: 0.9760 Epoch 3/8 60000/60000 [==============================] - 9s 150us/step - loss: 0.0628 - acc: 0.9813 Epoch 4/8 60000/60000 [==============================] - 9s 151us/step - loss: 0.0531 - acc: 0.9838 Epoch 5/8 60000/60000 [==============================] - 9s 150us/step - loss: 0.0475 - acc: 0.9858 Epoch 6/8 60000/60000 [==============================] - 9s 151us/step - loss: 0.0435 - acc: 0.9873 Epoch 7/8 60000/60000 [==============================] - 9s 151us/step - loss: 0.0386 - acc: 0.9887 Epoch 8/8 60000/60000 [==============================] - 9s 151us/step - loss: 0.0366 - acc: 0.9895
7.模型评估
test_X, test_y = mnist.load_data()[1]
test_X = test_X.reshape(-1, 28, 28, 1)
test_X = test_X.astype('float32')
test_X /= 255
test_y = to_categorical(test_y, 10)
loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
print('train data loss:%.4f accuracy:%.4f' %(loss, accuracy))
loss, accuracy = model.evaluate(train_X, train_y, verbose=1)
print('test data loss:%.4f accuracy:%.4f' %(loss, accuracy))第1行代码获取测试集的数据； 第2-4行代码将原始的特征矩阵做数据处理形成模型需要的数据； 第5行代码使用keras中的方法对数字的标签分类做One-Hot编码。 上面一段代码的运行结果如下： 第7-8行代码使用测试集的数据做模型评估，打印损失函数值和准确率； 第9-10行代码使用训练集的数据做模型评估，打印损失函数值和准确率。
10000/10000 [==============================] - 1s 110us/step train data loss:0.0215 accuracy:0.9931 60000/60000 [==============================] - 6s 107us/step test data loss:0.0153 accuracy:0.9957
8.模型测试
import math
import matplotlib.pyplot as plt
import numpy as np
import random
def drawDigit3(position, image, title, isTrue):
plt.subplot(*position)
plt.imshow(image.reshape(-1, 28), cmap='gray_r')
plt.axis('off')
if not isTrue:
plt.title(title, color='red')
else:
plt.title(title)
def batchDraw3(batch_size, test_X, test_y):
selected_index = random.sample(range(len(test_y)), k=100)
images = test_X[selected_index]
labels = test_y[selected_index]
predict_labels = model.predict(images)
image_number = images.shape[0]
row_number = math.ceil(image_number ** 0.5)
column_number = row_number
plt.figure(figsize=(row_number+8, column_number+8))
for i in range(row_number):
for j in range(column_number):
index = i * column_number + j
if index < image_number:
position = (row_number, column_number, index+1)
image = images[index]
actual = np.argmax(labels[index])
predict = np.argmax(predict_labels[index])
isTrue = actual==predict
title = 'actual:%d\npredict:%d' %(actual,predict)
drawDigit3(position, image, title, isTrue)
batchDraw3(100, test_X, test_y)
plt.show()第6-13行定义drawDigit3函数画出单个数字； 第7行代码调用matplotlib.pyplot库的subplot方法指定子图位置； 第8行代码调用matplotlib.pyplot库的imshow方法把数字矩阵绘制成图； 第9行代码设置不显示坐标轴； 第10-13行代码如果函数的参数isTrue为真，则标题为黑色，否则为红色。 第15-34行代码定义batchDraw函数，根据参数batch_size选出此数量的样本并画图。 第21行代码调用math库的ceil函数对小数向上取整，例如math.ceil(2.01)=3 上面一段代码的运行结果如下图所示：
image.png
从上面的运行结果可以看出，只有最后1行中的1个数被判断错误，符合前一章模型评估中99.3%的结果。
9.总结
1.keras基于tensorflow封装，代码更直观，容易理解；
2.根据本文作者的经验，在MNIST数据集上，基于tensorflow编写代码需要53行代码，基于keras编写代码需要38行，38/53=0.7170，即可以减少30%的代码量。
3.keras在训练过程中会动态显示训练进度，是友好的用户界面设计。