手写数字识别mnist

一、前言

在实现手写数字识别的时候，我看到csdn上检索的手写数字识别有一些繁杂，可是作为AL世界的Hello World，这是不合理的，代码本来就不复杂。
繁杂的操作和图片有点让人生畏，所以我决定有必要重写一下程序、记录一下过程。

下面是一些国内的pip源，有需要可自取

阿里云 http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

豆瓣(douban) http://pypi.douban.com/simple/

清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

二、环境配置

软件：ANACONDA3+Pycharm2019

keras>=2.7；
tensorflow>=1.7
注：一定关掉科学上网

三、代码如下

#第一步：加载keras中的mnist集
from keras.datasets import mnist
(train_images, train_labels),(test_images, test_labels) = mnist.load_data()print(train_images.shape)#查看效果的，这两步可以忽略
print(test_images.shape)#第二步：建立网络架构，
from keras import models
from keras import layers
#层layer就像数据处理的筛子
#本例子含有两个Dense层，最后是一个10路的激活层softmax层，返回一个由10个概率值组成的数组，表示10个数字类别中某一个的概率
network=models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))#第三步：编译
#optimizer 优化器，loss损失函数，metrics代码级数据监控
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])#第四步：准备图像数据和标签
train_images = train_images.reshape((60000, 28 * 28))#图像处理
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255#通过二维关系矩阵的方式，生成一个对应关系
from keras.utils.all_utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)#第五步：拟合（FIT）模型
network.fit(train_images,train_labels,batch_size=64,epochs=5)#第六步：评估（EVALUATE）模型
test_loss,test_acc=network.evaluate(test_images,test_labels)#第七步：查看测试集的精度
print('test_acc',test_acc)
#训练精度和测试精度之间的这种差距是过拟合（overfit）造成的

以下是跑通这个程序的过程。如果清楚这些步骤的过程可以略过下面

四、配置环境过程

1、打开Anaconda Prompt

a、创建一个叫MNIST4的环境

conda create -n MNIST4 python=3.8

注：记得python=3.8，大了就下载不了tensorflow包了

b、创建成功后激活环境并下载keras包：

conda activate MNIST4

为了提高下载速度，在国内清华源中下载keras包

pip install keras -i https://pypi.tuna.tsinghua.edu.cn/simple/

c、下载matplotlib包

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

d、下载tensorflow包

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple/

2、打开Pycharm配置

配置代码运行环境





注：这里刷新出来的时候比较长，需要等等
之后一路点击确认下去

五、运行程序

将开头的程序copy进pycharm的程序中

这样就训练成功了。