手写数字识别代码复现,开发语言 python TensorFlow 开发工具 PyCharm使用卷积神经网络进行训练.zip

# “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 ```python epochs=50 ``` 三个 Demo 均采用 50 个回合进行训练 ```python 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。