keras mnist

data.py:

#coding:utf-8
"""
Author:wepon
Source:https://github.com/wepe

"""


import os
from PIL import Image
import numpy as np

#读取文件夹mnist下的42000张图片,图片为灰度图,所以为1通道,图像大小28*28
#如果是将彩色图作为输入,则将1替换为3,并且data[i,:,:,:] = arr改为data[i,:,:,:] = [arr[:,:,0],arr[:,:,1],arr[:,:,2]]
def load_data():
data = np.empty((42000,1,28,28),dtype="float32")
label = np.empty((42000,),dtype="uint8")

imgs = os.listdir("./mnist")
num = len(imgs)
for i in range(num):
img = Image.open("./mnist/"+imgs[i])
arr = np.asarray(img,dtype="float32")
data[i,:,:,:] = arr
label[i] = int(imgs[i].split(.)[0])
return data,label

由于Keras系统升级,cnn.py代码调整如下:

#coding:utf-8


    GPU run command:
        THEANO_FLAGS=mode=FAST_RUN,device=gpu,floatX=float32 python cnn.py
    CPU run command:
        python cnn.py

#导入各种用到的模块组件
from __future__ import absolute_import
from __future__ import print_function
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers.advanced_activations import PReLU
from keras.layers.convolutional import Convolution2D, MaxPooling2D
from keras.optimizers import SGD, Adadelta, Adagrad
from keras.utils import np_utils, generic_utils
from six.moves import range
from data import load_data
import random




#加载数据
data, label = load_data()
#打乱数据
index = [i for i in range(len(data))]
random.shuffle(index)
data = data[index]
label = label[index]
print(data.shape[0],  samples)

#label为0~9共10个类别,keras要求格式为binary class matrices,转化一下,直接调用keras提供的这个函数
label = np_utils.to_categorical(label, 10)

###############
#开始建立CNN模型
###############

#生成一个model
model = Sequential()

#第一个卷积层,4个卷积核,每个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。
#border_mode可以是valid或者full,具体看这里说明:http://deeplearning.net/software/theano/library/tensor/nnet/conv.html#theano.tensor.nnet.conv.conv2d
#激活函数用tanh
#你还可以在model.add(Activation(tanh))后加上dropout的技巧: model.add(Dropout(0.5))
model.add(Convolution2D(4, 5, 5, border_mode=valid, input_shape=(1,28,28)))
model.add(Activation(tanh))


#第二个卷积层,8个卷积核,每个卷积核大小3*3。4表示输入的特征图个数,等于上一层的卷积核个数
#激活函数用tanh
#采用maxpooling,poolsize为(2,2)
model.add(Convolution2D(8, 3, 3, border_mode=valid))
model.add(Activation(tanh))
model.add(MaxPooling2D(pool_size=(2, 2)))

#第三个卷积层,16个卷积核,每个卷积核大小3*3
#激活函数用tanh
#采用maxpooling,poolsize为(2,2)
model.add(Convolution2D(16,  3, 3, border_mode=valid))
model.add(Activation(tanh))
model.add(MaxPooling2D(pool_size=(2, 2)))

#全连接层,先将前一层输出的二维特征图flatten为一维的。
#Dense就是隐藏层。16就是上一层输出的特征图个数。4是根据每个卷积层计算出来的:(28-5+1)得到24,(24-3+1)/2得到11,(11-3+1)/2得到4
#全连接有128个神经元节点,初始化方式为normal
model.add(Flatten())
model.add(Dense(128, init=normal))
model.add(Activation(tanh))


#Softmax分类,输出是10类别
model.add(Dense(10, init=normal))
model.add(Activation(softmax))


#############
#开始训练模型
##############
#使用SGD + momentum
#model.compile里的参数loss就是损失函数(目标函数)
sgd = SGD(l2=0.0,lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss=categorical_crossentropy, optimizer=sgd,class_mode="categorical")


#调用fit方法,就是一个训练过程. 训练的epoch数设为10,batch_size为100.
#数据经过随机打乱shuffle=True。verbose=1,训练过程中输出的信息,0、1、2三种方式都可以,无关紧要。show_accuracy=True,训练时每一个epoch都输出accuracy。
#validation_split=0.2,将20%的数据作为验证集。
model.fit(data, label, batch_size=100, nb_epoch=10,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)


"""
#使用data augmentation的方法
#一些参数和调用的方法,请看文档
datagen = ImageDataGenerator(
        featurewise_center=True, # set input mean to 0 over the dataset
        samplewise_center=False, # set each sample mean to 0
        featurewise_std_normalization=True, # pide inputs by std of the dataset
        samplewise_std_normalization=False, # pide each input by its std
        zca_whitening=False, # apply ZCA whitening
        rotation_range=20, # randomly rotate images in the range (degrees, 0 to 180)
        width_shift_range=0.2, # randomly shift images horizontally (fraction of total width)
        height_shift_range=0.2, # randomly shift images vertically (fraction of total height)
        horizontal_flip=True, # randomly flip images
        vertical_flip=False) # randomly flip images

# compute quantities required for featurewise normalization 
# (std, mean, and principal components if ZCA whitening is applied)
datagen.fit(data)

for e in range(nb_epoch):
    print(-*40)
    print(Epoch, e)
    print(-*40)
    print("Training...")
    # batch train with realtime data augmentation
    progbar = generic_utils.Progbar(data.shape[0])
    for X_batch, Y_batch in datagen.flow(data, label):
        loss,accuracy = model.train(X_batch, Y_batch,accuracy=True)
        progbar.add(X_batch.shape[0], values=[("train loss", loss),("accuracy:", accuracy)] )

"""
喜欢阅读
  • 首席上司心尖宠

    首席上司心尖宠

    一次意外,苏黎撞上一个神秘男人。对方姓名不详,职业不详,婚配不详。什么?再相遇,竟然是自己的顶头上司?更是鼎鼎有名人气男神陆宴北?说好要当陌路人的,可现在,这个天天缠着她不放,要她给孩子当妈的男人又是谁?

  • 都市逆袭为龙

    都市逆袭为龙

    为给奶奶治病,叶锋入赘李家,一年后,他变成了哑巴。三年后的今天,他开口的第一句话就让丈母娘……

  • 唯我佛尊

    唯我佛尊

    武道世家公子,家逢巨变,为寻亲跳崖,意外知晓自身本是佛门大尊转世之身,获得前身的上古功法秘笈,从此身怀佛心,行走在烽火连天的乱世之中,但是,当善良与人性泯灭,当佛门度化无用,当血淋淋的屠刀斩落在亲人身上时,少年的佛心逐渐改变,这个世道,佛已无用,唯独,战!以战止战!以杀止杀!

  • 爱如欢颜情似海

    爱如欢颜情似海

    “林总,你这样不得体。”许凝兮推拒一寸,男人前进一丈。林慕辰勾住她的下颚,“还有更不得体的……”五年前她为名利负他,五年后他归来报复。只是所有狠心到最后怎么都变成了宠……

  • 医毒双绝:魔王的逆天宠妃

    医毒双绝:魔王的逆天宠妃

    什么痴傻丑颜?她云宁儿才不做白痴丑女呢!这个妖孽魔王,好歹她也是他的救命恩人啊,怎么老是想占她便宜。他不是gay吗?乖乖!他哪里像有断袖之癖了,难道她云宁儿在他的眼中不是女的?

  • 如若荒年可待

    如若荒年可待

    薄凌对黎末的第一印象就是个问题少女,黎末对薄凌的第一印象就是迟早遭雷劈的大尾巴狼。然而相看两厌的俩人第二次见面就一夜情,薄凌甩给她钱,她感觉受到了侮辱,发誓从此跟他势不两立。然而薄凌却一次次介入她的生活,“我要代替你爸管教你。”“uncle,这不太好吧?”人前他是她的亲叔叔,他宠她管教她,人后他却陷在对她的感情里不能自拔,直到发现她的身世之谜后才庆幸,当初没有放手是对的。“大侄女,既然我们已经一夜情,不如夜夜情好了。”黎末顶锅避雷,“uncle,求放过!”

  • 嫡女重生之废后归来

    嫡女重生之废后归来

    她是金枝玉叶的学士府嫡女,大婚当夜等来的却是自己的庶妹。一杯毒酒让她含恨而终,一朝重生,她带着滔天的仇恨回到崔府步步为营,在阴谋诡计的崔府艰难的存活。前世所受的磨难,这世要让那贱人千百倍的偿还;前世虚假的爱情,这世又会被谁打动?

  • 逆天鬼医

    逆天鬼医

    顾枫找了个高冷女总裁当老婆,从此人生反翻天覆地的变化……这是一个小医生弘扬中医的励志故事!

  • 猜你喜欢
    热门推荐
  • hand shakers13集
  • 今日头条视频领域选择
  • 微博评论失败20019
  • 苹果6升级ios11耗电
  • 早乙女ルイ 无马 下载
  • for加什么
  • 桂林到龙脊梯田包车
  • nekopara vol.0百度云
  • kcalloc
  • coachtote
  • gb50242 2016
  • 皇室战争职业联赛视频
  • numbers 记账模板
  • hunoerobot
  • excel筛选重复的数据
  • 宇智波佐助出场集数
  • baby boy beyonce 歌词
  • why should i fear you
  • 龙葵好紧
  • 录像屏幕专家
  • All Right Reserved 知识库