“手写数字识别代”代码复现

一、开发环境

开发语言 : python 3.6.13

使用框架 ：TensorFlow 2.5.0 + Keras 2.5.0

开发工具 ：PyCharm 2020.2.2 x64

二、项目目录说明

此次复现的主要代码文件有：

1. simpleDemo.py

   参考了书目《Python深度学习》，是一个最简单的数字识别。

   从Kears的datasets中导入mnist, 并使用简单的隐藏层进行训练。

2. complexDemo.py

   添加多层神经网络的较复杂数字之别。

   从Keras的datasets中导入mnist,并使用带有均值池化的卷积神经网络方法训练。

3. finalDemo.py

   最终的数字识别。

   为了验证算法的可行性以及最终的正确性，这里采用了Kaggle比赛中Digit Recognizer题目所提供的的mnist测试集test.csv和训练集train.csv， 并采用带有最大池化的卷积神经网络，以及避免过拟合的方法进行训练。

4. input文件夹

   存放从finalDemo中读取的文件，训练集train.csv和测试集test.csv。

5. output文件夹

   存放finalDemo.py最终生成的csv文件。

三、代码与算法流程结果分析

首先需要将二维的数据一维化

1. simpleDemo.py

   最简单的程序

   • 搭建神经网络

   

   • 算法分析

   （1）使用Sequential()函数作为模型。

   （2）建立一个有15个神经元，并采用relu函数作为激活函数的全连接层。这里不使用其他函数的原因为防止梯度弥散。

   （3）建立一个有10个神经元，并采用softmax函数作为激活函数的一个输入层。

2. complexDemo.py

   稍复杂的程序

   • 搭建神经网络

   

   • 算法分析

   使用卷积神经网络进行训练

   （1）添加三个卷积层

   （2）每个卷积层之间添加了一个均值池化。

   （3）添加一个Flatten层，用于由卷积层向全连接层过渡。

   （4）最后添加一个全连接层

3. finalDemo.py

   最终程序

   • 搭建神经网络

   

   • 算法分析

   同样使用卷积神经网络进行训练

   （1）添加四个卷积层

   （2）采用两个最大池化层

   （3）添加Dropout层防止过拟合

   （4）添加Flatten层，用于由卷积层向全连接层过渡。

   （5）添加了梯度下降优化器。

四、结果分析

epochs=50

三个Demo均采用50个回合进行训练

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

print("test_loss:", test_loss, "    test_accuracy:", test_accuracy)

采用network.evaluate()评估函数输出 测试集损失和测试集准确率，训练集损失以及训练集准确率。

1. simpleDemo.py

   

   可以发现simpleDemo的预测准确性并不是很高，仅有92%左右。

2. complexDemo.py

   

   预测准确性可以达到99%左右，但是仍然存在着过拟合的情况。

3. finalDemo.py

   

   在Kaggle提供的测试集和训练集上训练效果较好，测试集上的准确性能够达到99.55%左右，最终在Kaggle上的效果也证明了此算法较好。