机器学习-用keras做cnn手写数字识别
在用全连接做手写数字识别的时候，准确率有97%了，但是还是会出现一些测试图片没有预测对，出来更好的去优化参数，现在就直接改进神经网络的模型，用cnn去训练数据。
cnn--Convolutional neural network，简称cnn，中文翻译过来是，卷积神经网络
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）
-------摘自百度百科
cnn的结构有：卷积层，池化层，全连接层
卷积层（Convolution Layer）：
卷积层主要进行卷积操作，这里会有一个叫卷积核的东西匹配数据的矩阵
池化层（Pooling Layer）：
这里就是把卷积层完成卷积操作后得到的特征图（feature Map）进行分区域，池化，然后把每个区域取出最大值或者均值或者最小值来表示
数据处理：
from keras.datasets import mnist
import numpy as np
from keras.utils import to_categorical
import matplotlib.pyplot as plt
(x_train,y_train),(x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape[0],28,28,1)
x_test = x_test.reshape(x_test.shape[0],28,28,1)
print(x_train.shape)
print(x_train[0].shape)
input_shape = (28,28,1)
x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255
y_train = to_categorical(y_train,10)
y_test = to_categorical(y_test, 10)跟全连接的手写识别大部分一样，
有一点不一样的就是数据是（数据量，图片尺寸，图片尺寸，颜色）颜色的意思是黑白的就是1，彩色的就是3
接着就是卷积层跟池化层：
import keras
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D
model = Sequential()
model.add(Conv2D(32, kernel_size=(3,3),activation='relu', input_shape=input_shape))
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Flatten())首先就是导入相应的模块和库，然后就是定义一个Sequential模型，接着添加卷积层，这里用Conv2D，其中第一个参数是训练这个图要检测的过滤器的数量（32，64），第二个参数是卷积核的大小，第三个是激活函数。一般用relu，第四个就是输入的形状的信息。是几维的，一般在第一层设置好就可以了。接着再添加一层卷积层，接着就是池化层，用来减少卷积层的结果的参数，有助于过度拟合，再接着就是Dropout（抓爆），有助于减低过拟合的现象，一般设置0.5，这里设置为0.25，
最后就是Flatten，将池化后的数据转成一列n行的数据。例如池化后的数据是（2，2，128），经过flatten后就是2*2*128 = 512
最后就是全连接层：
model.add(Dense(128,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
model_log = model.fit(x_train,y_train,
batch_size=128,
epochs= 8,
verbose=1,
validation_data=(x_test,y_test))
score = model.evaluate(x_test,y_test,verbose=0)
print('test accuracy:', score[1])
model.save('cnnshouxie.h5')这里跟去全连接的时候一样，不同就是加了一个抓爆。
就这样一个简单的cnn手写数字识别就做好了，不过手写数字识别相比于全连接的手写数字识别，cnn的训练比较慢，训练时间长，但是准确性好，我在全连接的图片没有测出来，在cnn中就可以测出来。最后在测试中去预测一下图片的结果。
from keras.models import load_model
import cv2
def prepare(path):
img = cv2.imread(path,0)
img = img.reshape(1,28,28,1)
img = img.astype('float32')/255
return img
model = load_model('cnnshouxie.h5')
model.summary()
img = prepare('3.jpg')
precetion = model.predict_classes(img)
print(precetion)这里的预测代码跟全连接也是一样的，不同就是要修改图片的reshape的参数数目，要与模型的匹配的上
