Kaggle手写数字识别大赛开源记录两层神经网络准确率99％

Kaggle手写数字识别开源记录，两层神经网络准确率99%

学习2-13

58阅读3点赞3评论

Kaggle手写数字识别开源记录两层神经网络准确率99%

2019-02-13

在kaggle中，参赛人数比较多的比较经典的就是手写数字识别大赛，作为深度学习的hello world，吸引了两千多支队伍的参赛，在今天我们分享的是不用kaggle自带的数据集，我们使用mnist的数据集进行训练，也就是我们刚开始就遇到的mnist的手写数字数据集进行模型训练和搭建，然后对于kaggle比赛中的28000条数据进行分析进行参赛。

首先，下载数据集：

kaggle的test.csv测试数据集自行下载

本文一切代码基于python+keras的神经网络搭建：

请将数据集和源代码放在同一个目录下：

首先导入keras层和模型函数：

同时读取mnist的数据集，这份数据集为keras自带，直接包括进来即可：

我们尝试看一下第一张图长什么样：

每一个数据单元都是这样子的形式，28*28像素对图片，对应不同的手写数字：

那么我们通常是用kaggle自己的数据集进行训练，结果不尽如人意，原因其实就是数据集过小了，对应的一些权重不完备，那我们今天就用mnist的60000数据集进行训练尝试：

以下是网络结构

教科书般的利用两个全连阶层，使用512个神经元，relu激活函数，对应的十个类别

网络编译

train_images = train_images.reshape((60000,28*28))

train_images = train_images.astype('float32')/255

test_images = test_images.reshape((10000,28*28))

test_images = test_images.astype('float32')/255

digit = test_images[0]

from keras.utils import to_categorical

print(test_labels)

train_labels = to_categorical(train_labels,num_classes = 10)

test_labels = to_categorical(test_labels,num_classes = 10)

数据集格式化，首先要变为60000个独立array，每一个都是28*28像素的图像，然后进行归一化为了数据分析结果更为精确，将数据处以255维持在（0，1）之间

模型训练和分类：

network.fit(train_images,train_labels,epochs = 10,batch_size = 128)

results = network.predict_classes(test,batch_size=128)

test_loss, test_acc = network.evaluate(test_images, test_labels)

print('自带测试集效果', test_acc)

pd.DataFrame(

{"ImageId": range(1, len(results) + 1), "Label": results}

).to_csv('result.csv', index=False, header=True)

print('ok，saved')

完成：

运行结果如下：

Epoch 1/10

60000/60000 [==============================] - 2s 35us/step - loss: 0.1215 - acc: 0.9646

Epoch 2/10

60000/60000 [==============================] - 2s 35us/step - loss: 0.0767 - acc: 0.9769

Epoch 3/10

60000/60000 [==============================] - 2s 34us/step - loss: 0.0554 - acc: 0.9832

Epoch 4/10

60000/60000 [==============================] - 2s 34us/step - loss: 0.0410 - acc: 0.9877

Epoch 5/10

60000/60000 [==============================] - 2s 35us/step - loss: 0.0309 - acc: 0.9910

Epoch 6/10

60000/60000 [==============================] - 2s 35us/step - loss: 0.0233 - acc: 0.9935

Epoch 7/10

60000/60000 [==============================] - 2s 34us/step - loss: 0.0178 - acc: 0.9948

Epoch 8/10

60000/60000 [==============================] - 2s 34us/step - loss: 0.0140 - acc: 0.9958

Epoch 9/10

60000/60000 [==============================] - 2s 35us/step - loss: 0.0107 - acc: 0.9969

Epoch 10/10

60000/60000 [==============================] - 2s 34us/step - loss: 0.0084 - acc: 0.9977

10000/10000 [==============================] - 1s 65us/step

test_acc:0.9829

ok，saved

保存完毕

将结果提交:

成绩大概在0.99左右，如果你有更好的参数和效果，可以在评论区提出你的观点，我们一起交流。

完整源码如下：

由于bilibili的代码编辑器有些小问题，格式不对，所以没有用上代码高亮，请大家复制到本地环境进行学习。

from keras.datasets import mnist

from keras import models

from keras import layers

import numpy

test = numpy.loadtxt(open("test.csv","rb"),delimiter=",",skiprows=1)

test = test.reshape((28000,28*28))

test = test.astype('float32')/255

(train_images,train_labels),(test_images,test_labels)=mnist.load_data()

digit = test_images[0]

import matplotlib.pyplot as plt

plt.show()

network = models.Sequential()

network.add(layers.Dense(512,activation = 'relu',input_shape = (28*28,)))

network.add(layers.Dense(10,activation = 'softmax'))

network.compile(optimizer='rmsprop',

loss='categorical_crossentropy',

metrics=['accuracy'])

train_images = train_images.reshape((60000,28*28))

train_images = train_images.astype('float32')/255

test_images = test_images.reshape((10000,28*28))

test_images = test_images.astype('float32')/255

digit = test_images[0]

from keras.utils import to_categorical

train_labels = to_categorical(train_labels,num_classes = 10)

test_labels = to_categorical(test_labels,num_classes = 10)

network.fit(train_images,train_labels,epochs = 10,batch_size = 128)

results = network.predict_classes(test,batch_size=128)

test_loss, test_acc = network.evaluate(test_images, test_labels)

print('test_acc:', test_acc)

pd.DataFrame(

{"ImageId": range(1, len(results) + 1), "Label": results}

).to_csv('result.csv', index=False, header=True)

print('ok，saved')

个人网站：

数据竞赛资源开源首发站点

机器学习, 算法

Kaggle竞赛, keras神经网络部署, 手写数字识别, 深度学习