這篇文章主要講解了“CNN怎么實現(xiàn)數(shù)字識別并改變參數(shù)”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“CNN怎么實現(xiàn)數(shù)字識別并改變參數(shù)”吧！

成都創(chuàng)新互聯(lián)公司專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務，包含不限于成都網(wǎng)站建設、網(wǎng)站建設、澤州網(wǎng)絡推廣、小程序定制開發(fā)、澤州網(wǎng)絡營銷、澤州企業(yè)策劃、澤州品牌公關、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運營等，從售前售中售后，我們都將竭誠為您服務，您的肯定，是我們最大的嘉獎；成都創(chuàng)新互聯(lián)公司為所有大學生創(chuàng)業(yè)者提供澤州建站搭建服務，24小時服務熱線：028-86922220，官方網(wǎng)址：www.cdcxhl.com

1.網(wǎng)絡層級結構概述

Input layer: 輸入數(shù)據(jù)為原始訓練圖像

Conv1：6 個 5 * 5 的卷積核，步長 Stride 為 1

Pooling1：卷積核 size 為 2 * 2，步長 Stride 為 2

Conv2：12 個 5 * 5 的卷積核，步長 Stride 為 1

Pooling2：卷積核 size 為 2 * 2，步長 Stride 為 2

Output layer：輸出為 10 維向量

2.實驗基本流程

(1)獲取訓練數(shù)據(jù)和測試數(shù)據(jù)

直接使用keras里面的手寫數(shù)據(jù)集

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

(2)定義網(wǎng)絡層級結構

代碼：

def get_model():

model = Sequential()

model.add(Conv2D(filters=6, kernel_size=(5, 5),strides=1,activation='relu',input_shape=(28, 28, 1)))

model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

model.add(Conv2D(filters=12, kernel_size=(5, 5),strides=1,activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

model.add(Flatten())

#model.add(Conv2D(filters=120, kernel_size=(5, 5),activation='relu'))

model.add(Dense(120, activation='relu'))

model.add(Dense(84, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))

# 編譯模型，采用多分類的損失函數(shù)，優(yōu)化器是Adadelta

model.compile(loss='categorical_crossentropy',

optimizer='Adadelta',

metrics=['accuracy'])

return model

(3)交叉驗證

直接附上代碼

def k_cross(data,target,bsize,epoch,sp):

print("------進行交叉驗證------")

ans=0 #交叉驗證正確率的和

kf = KFold(n_splits=sp, shuffle = True)

for train, test in kf.split(data):

model.fit(data[train], target[train],

batch_size=bsize,

epochs=epoch,

verbose=0,

validation_data=(data[test], target[test]))

score = model.evaluate(data[test], target[test], verbose=0)

ans+=score[1]

return ans/sp

3完整代碼

我這里直接就3折了，太多了運行時間太長。

最后完整代碼：

# -*- coding: utf-8 -*-

"""

Created on Tue Dec 10 15:42:27 2019

@author: pff

"""

from __future__ import print_function

import numpy as np

import keras

from keras.datasets import mnist

from keras.models import Sequential

from keras.layers import Dense, Dropout, Flatten

from keras.layers import Conv2D, MaxPooling2D

from sklearn.model_selection import KFold

import matplotlib.pyplot as plt

def getdata():

#提取出訓練集和測試集

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.astype('float32')

x_test = x_test.astype('float32')

x_train /= 255

x_test /= 255

x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)

x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)

# 采用one-hot編碼

y_train = keras.utils.to_categorical(y_train, 10)

y_test = keras.utils.to_categorical(y_test, 10)

#將測試集和訓練集合并，便于后面交叉驗證

data = np.row_stack((x_train,x_test))

target = np.row_stack((y_train,y_test))

return data, target

# 構建模型

def get_model():

model = Sequential()鄭州做無痛人流手術費用 http://www.zzzykdfk.com/

model.add(Conv2D(filters=6, kernel_size=(5, 5),strides=1,activation='relu',input_shape=(28, 28, 1)))

model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

model.add(Conv2D(filters=12, kernel_size=(5, 5),strides=1,activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

model.add(Flatten())

#model.add(Conv2D(filters=120, kernel_size=(5, 5),activation='relu'))

model.add(Dense(120, activation='relu'))

model.add(Dense(84, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))

# 編譯模型，采用多分類的損失函數(shù)，用 Adadelta 算法做優(yōu)化方法

model.compile(loss='categorical_crossentropy',

optimizer='Adadelta',

metrics=['accuracy'])

return model

def kcross(data,target,bsize,epoch,sp):

print("------進行交叉驗證------")

ans=0

kf = KFold(n_splits=sp, shuffle = True)

for train, test in kf.split(data):

#print("第{}次開始".format(i+1))

model.fit(data[train], target[train],

batch_size=bsize,

epochs=epoch,

verbose=0,

validation_data=(data[test], target[test]))

score = model.evaluate(data[test], target[test], verbose=0)

ans+=score[1]

return ans/sp

#畫結果圖

def draw(batch_size,y,epoch):

plt.figure()

plt.rcParams['font.sans-serif']='SimHei'

plt.ylabel('正確率')

plt.xlabel('batch_size')

plt.title('不同參數(shù)下卷積神經(jīng)網(wǎng)絡數(shù)字識別圖')

for i in range(len(y)):

plt.scatter(batch_size, y[i], s=30, c='r', marker='x', linewidths=1)

plt.plot(batch_size,y[i],label="epoch："+str(epoch[i]))

plt.legend()

plt.show()

if __name__=="__main__":

data,target=getdata()

model=get_model()

'''

設置epoch和baitch_size參數(shù)

y：存儲每一次的結果

'''

epoch=[1,3,5,7]

size=[50,100,150,200,250]

y=np.zeros([4,5])

for i in range(len(epoch)):

for j in range(len(size)):

print("now：",i,j)

y[i,j]=kcross(data,target,size[j],epoch[i],3)

draw(size,y,epoch)

最后得出運行結果

感謝各位的閱讀，以上就是“CNN怎么實現(xiàn)數(shù)字識別并改變參數(shù)”的內容了，經(jīng)過本文的學習后，相信大家對CNN怎么實現(xiàn)數(shù)字識別并改變參數(shù)這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關知識點的文章，歡迎關注！