跟着莫烦PYTHON网站学习的搭建神经网络分类的代码案例

最新推荐文章于 2025-08-04 22:31:11 发布

原创最新推荐文章于 2025-08-04 22:31:11 发布 · 116 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #学习 #神经网络

文章展示了如何基于Keras库构建一个简单的卷积神经网络（CNN）模型，用于MNIST手写数字识别。代码涵盖了数据预处理、模型定义、编译、训练及测试过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

该代码是根据莫烦PYTHON网站学习的，发布仅仅是为了做笔记，详细内容请看莫烦PYTHON，网址为CNN 卷积神经网络 | 莫烦Python (mofanpy.com)

网址为学习CNN的视频，可以根据需要选择学习的板块

import numpy as np
from keras.utils import np_utils
np.random.seed(1337)
from keras.models import Sequential#一层一层来建立神经层
from keras.layers import Dense,Activation #全连接层和激活函数
import matplotlib.pyplot as plt#可视化模块
from keras.datasets import mnist #下载自带的数据集照片
from keras.optimizers import RMSprop #优化器采用RMSprop

#data
(X_train,y_train),(X_test,y_test) = mnist.load_data()

#data pre-processing
X_train = X_train.reshape(X_train.shape[0],-1)/255. #normalize
X_test = X_test.reshape(X_test.shape[0],-1)/255.
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)

print(X_train[1].shape)
print(y_train[:3])



#model
model = Sequential([
    Dense(32,input_dim=784),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),#class
])

#optimizer
rmsprop = RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0.0)
#lr学习率 rho衰减速率（平滑常数） eps防止分母上除0  decay学习擦书，正则化

#model compile
model.compile(optimizer=rmsprop,loss='categorical_crossentropy',
              metrics=['accuracy'])#更新的时候计算当前的准确率

#training
print("\n-----------traing")
model.fit(X_train,y_train,epochs=2,batch_size=32)#总数据训练2次，批处理32个
loss,accuracy = model.evaluate(X_test,y_test)

#testing
print("\n-----------testing")
print('test loss:',loss)
print('test accuracy:',  accuracy)