詳細細節可學習從零開始神經網絡：keras框架實現數字圖像識別詳解！

代碼實現：

[1]
'''
將訓練數據和檢測數據加載到內存中(第一次運行需要下載數據，會比較慢):
（mnist是手寫數據集）
train_images是用于訓練系統的手寫數字圖片;
train_labels是用于標注圖片的信息;
test_images是用于檢測系統訓練效果的圖片；
test_labels是test_images圖片對應的數字標簽。
'''
from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
print('train_images.shape = ',train_images.shape)
print('tran_labels = ', train_labels)
print('test_images.shape = ', test_images.shape)
print('test_labels', test_labels)
'''
1.train_images.shape打印結果表明，train_images是一個含有60000個元素的數組.
數組中的元素是一個二維數組，二維數組的行和列都是28.
也就是說，一個數字圖片的大小是28*28.
2.train_lables打印結果表明，第一張手寫數字圖片的內容是數字5，第二種圖片是數字0，以此類推.
3.test_images.shape的打印結果表示，用于檢驗訓練效果的圖片有10000張。
4.test_labels輸出結果表明，用于檢測的第一張圖片內容是數字7，第二張是數字2，依次類推。
'''[2]
'''
把用于測試的第一張圖片打印出來看看
'''
digit = test_images[0]
import matplotlib.pyplot as plt
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()[3]
'''
使用tensorflow.Keras搭建一個有效識別圖案的神經網絡，
1.layers:表示神經網絡中的一個數據處理層。(dense:全連接層)
2.models.Sequential():表示把每一個數據處理層串聯起來.
3.layers.Dense(…):構造一個數據處理層。
4.input_shape(28*28,):表示當前處理層接收的數據格式必須是長和寬都是28的二維數組，
后面的“,“表示數組里面的每一個元素到底包含多少個數字都沒有關系.
'''
from tensorflow.keras import models
from tensorflow.keras import layersnetwork = models.Sequential()
#add往網絡里添加層
network.add(layers.Dense(512, activation='relu', input_shape=(28*28,))) #512是輸出結點個數
network.add(layers.Dense(10, activation='softmax')) #因為只能輸出0-9，是10種情況，所以輸出只能是10network.compile(optimizer='rmsprop', loss='categorical_crossentropy',metrics=['accuracy'])[4]               
'''
在把數據輸入到網絡模型之前，把數據做歸一化處理:
1.reshape(60000, 28*28）:train_images數組原來含有60000個元素，每個元素是一個28行，28列的二維數組，
現在把每個二維數組轉變為一個含有28*28個元素的一維數組.
2.由于數字圖案是一個灰度圖，圖片中每個像素點值的大小范圍在0到255之間.
3.train_images.astype(“float32”)/255 把每個像素點的值從范圍0-255轉變為范圍在0-1之間的浮點值。（歸一化）
'''
train_images = train_images.reshape((60000, 28*28))
train_images = train_images.astype('float32') / 255test_images = test_images.reshape((10000, 28*28))
test_images = test_images.astype('float32') / 255'''
把圖片對應的標記也做一個更改：
目前所有圖片的數字圖案對應的是0到9。
例如test_images[0]對應的是數字7的手寫圖案，那么其對應的標記test_labels[0]的值就是7。
我們需要把數值7變成一個含有10個元素的數組，然后在第7個元素設置為1，其他元素設置為0。
例如test_lables[0] 的值由7轉變為數組[0,0,0,0,0,0,0,1,0,0,]
'''
from tensorflow.keras.utils import to_categorical
print("before change:" ,test_labels[0])
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
print("after change: ", test_labels[0])[5]
'''
把數據輸入網絡進行訓練：
train_images：用于訓練的手寫數字圖片；
train_labels：對應的是圖片的標記；
batch_size：每次網絡從輸入的圖片數組中隨機選取128個作為一組進行計算。
epochs:每次計算的循環是五次
'''
network.fit(train_images, train_labels, epochs=5, batch_size = 128)[6]
'''
測試數據輸入，檢驗網絡學習后的圖片識別效果.
識別效果與硬件有關（CPU/GPU）.
'''
test_loss, test_acc = network.evaluate(test_images, test_labels, verbose=1)
print(test_loss) 
print('test_acc', test_acc)[7]
'''
輸入一張手寫數字圖片到網絡中，看看它的識別效果
'''
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
digit = test_images[1]
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
test_images = test_images.reshape((10000, 28*28))
res = network.predict(test_images)for i in range(res[1].shape[0]):if (res[1][i] == 1):print("the number for the picture is : ", i)break

實現結果：