基于感知机的手写体识别

浅浅的花香味﹌ 2023-10-04 09:19 27阅读 0赞

**对于手写体的识别，我采用的是keras来实现的，首先搭建一个单层感知机的模型来训练，来观察其模型的预测效果。**

**学习步骤如下：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz_size_16_color_FFFFFF_t_70][]

**源码：**

from keras.datasets import mnist
    import matplotlib.pyplot as plt
    import numpy as np
    from keras.utils import np_utils
    from keras.layers.core import Dense,Activation,Dropout  #从keras中导入layers模块，为搭建全连接层做好准备
    from keras.models import Sequential  #从keras中导入sequential模块
    
    (X_train,Y_train),(X_test,Y_test)=mnist.load_data()
    print(X_train.shape)
    print(Y_train.shape)
    print(X_test.shape)
    print(Y_test.shape)
    def plot_image(image):  #输入参数为image
        fig=plt.gcf()  #获取当前图像
        fig.set_size_inches(2, 2)  #设置图片大小
        plt.imshow(image,cmap="binary")  #使用plt_imshow显示图片
        plt.show()#开始绘图
    #plot_image(X_train[0])
    X_test1=X_test   #备注未经处理的测试数据
    Y_test1=Y_test #备注未经处理的测试标签
    X_train=X_train.reshape(60000,784)#将28*28的二维数据转化成784的一维向量
    X_test=X_test.reshape(10000,784) #将28*28的二维数据转化为784的一维向量
    ##转化成浮点型，该一维向量由784个0——255的浮点数组成，大部分为0，少部分有数字，数字大小代表图形每个点灰度深浅、
    #接下来对一维向量的数字进行归一化，使每个数值范围都在0-1内
    X_train=X_train.astype("float")
    X_test=X_test.astype("float")
    #print(X_train[0])
    X_train=X_train/255
    X_test=X_test/255
    #print(X_train[0])
    
    #①接下来一步搞定图形数据的预处理
    #X_train=X_train.reshape(60000,784).astype("float")/255
    #X_test=X_test.reshape(10000,784).astype("float")/255
    
    #②标签数据的预处理
    print(Y_train[:3])
    #对数据进行一位有效编码
    #编码位数为十位，对应分类的类别数目
    N_classses=10
    Y_train=np_utils.to_categorical(Y_train,N_classses)
    Y_test=np_utils.to_categorical(Y_test,N_classses)
    #print(Y_train[:3])
    
    #③搭建单层感知机网络
    model=Sequential()
    model.add(Dense(N_classses,input_dim=784))
    model.add(Activation("softmax"))
    model.summary()
    
    #④编译和训练，选择损失函数，优化算法，设置评估模型标准
    model.compile(
        loss="categorical_crossentropy",#损失函数选择交叉熵函数
        optimizer ="adam",   #优化选择器adam或者sgd
        metrics=["accuracy"]    #以准确率（accura）评估模型训练结果
    )
    
    #⑤训练网络
    N_epoch=20
    Batch_size=128
    Validation_split=0.2
    training=model.fit(X_train,Y_train,   #输入训练集和标签
                       batch_size=Batch_size,  #设置每次处理数据集的个数
                       epochs=N_epoch,  #设置迭代次数
                       validation_split=Validation_split,  #设置验证集的比率0.2
                       verbose=2   #日志显示，0代表不在标准输入输出日志信息，1代表输出进度记录，2代表每次迭代输出一行记录且无进度条记录
              )
    
    #⑥训练好的网络进行测试集评估
    Test =model.evaluate(X_test,Y_test,verbose=1)
    print("测试误差：",Test[0])
    print("准确度：",Test[1])
    
    #⑦预测
    prediction=model.predict_classes(X_test)  #X_test已经进行编码处理了
    def pre_result(i):
        plot_image(X_test1[i])
        print("Y_test:",Y_test1[i])
        print("预测结果：",prediction[i])
    pre_result(0)

**运行结果：**

**![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz_size_16_color_FFFFFF_t_70 1][]**

**下面是多层感知机的手写体识别**

该模型有一个输入层有784个神经元，两个隐藏层都有1000个神经元，一个输出层有10个神经元，使用了dropout()函数减少过拟合现象。

学习过程如上一样。

**源码如下：**

from keras.models import Sequential
    from keras.datasets import mnist
    from keras.layers.core import Dense,Dropout,Activation
    import numpy as np
    from keras.utils import np_utils
    import matplotlib.pyplot as plt
    (X_train,Y_train),(X_test,Y_test)=mnist.load_data()
    def plot_image(image):
        fig=plt.gcf()
        fig.set_size_inches(2,2)
        plt.imshow(image,cmap="binary")
        plt.show()
    
    N_classses=10
    X_test1=X_test
    Y_test1=Y_test
    X_train=X_train.reshape(60000,784).astype("float32")/255
    X_test=X_test.reshape(10000,784).astype("float32")/255
    Y_test=np_utils.to_categorical(Y_test,N_classses)
    Y_train=np_utils.to_categorical(Y_train,N_classses)
    
    #print(Y_train[0])
    model=Sequential()
    model.add(Dense(1000,input_dim=784))  #输入层为784个神经元，输入层所连接的第一个隐藏层有1000个神经元
    model.add(Activation("relu"))
    model.add(Dropout(0.5))
    
    model.add(Dense(1000)) #第二个隐藏层
    model.add(Activation("relu"))
    model.add(Dropout(0.5))
    
    model.add(Dense(10))  #输出层有10个神经元，激活函数softmax
    model.add(Activation("softmax"))
    
    model.summary()
    
    #网络编译
    model.compile(loss="categorical_crossentropy",   #损失函数
                  optimizer="adam",  #优化器选择adam
                  metrics=["accuracy"]  #以准确率评估模型训练结果
                  )
    #网络训练
    N_epochs=20
    Batch_size = 128
    Validation = 0.2
    training =model.fit(
        X_test,Y_train,
        batch_size=Batch_size,
        epochs=N_epochs,
        validation_split=Validation,
        verbose=2
    )
    
    #评估
    Test =model.evaluate(X_test,Y_test,verbose=1)
    print("误差：",Test[0])
    print("准确率：",Test[1])
    
    
    #预测
    prediction=model.predict_classes(X_test)  #预测所有的数据
    def pre_result(i):
        plot_image(X_test1[i])
        print("Y_test:",Y_test1[i])
        print("预测值：",prediction[i])  #预测值
    pre_result(0)
    pre_result(1)

**综上多层感知机的对于手写体识别预测不是很好，单层感知机对于手写体识别的预测较好。**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210325161254252.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210325161637963.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hnbnV4Y18xOTkz,size_16,color_FFFFFF,t_70