参考文章：https://mtyjkh.blog.csdn.net/article/details/116920825

数据集

mnist手写数据集：

1. 总共有70000张图片，其中60000张图片用于训练，10000张图片用于测试，图片的宽高分别为28、28
2. 28x28的图片，转换成28x28个像素点，每个像素点的值介于0和1之间

卷积神经网络结构图

注：
    卷积层计算公式 ：
        $H_2=\frac{H_1-F_H+2P}{S}+1$
        $W_2=\frac{W_1-F_W+2P}{S}+1$

1、H是指图片的高，W是图片的宽，F指的是卷积核(H和W对应卷积核的高度和宽度)
2、P是padding填充，padding=1时候，矩阵外围加上一圈0，加强对边缘特征的提取，且0不会对特征提取产生影响

代码实现(TensorFlow框架)

设置GPU

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
gpus = tf.config.list_physical_devices("GPU")
if gpus:
    print("可以使用GPU")
    gpu0 = gpus[0]
    tf.config.experimental.set_memory_growth(gpu0, True)
    tf.config.set_visible_devices([gpu0], "GPU")

数据的读取

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

归一化(将像素的值标准化到0-1的区间内)

train_images, test_images = train_images / 255.0, test_images/ 255.0
train_images.shape, train_labels.shape, test_images.shape, test_labels.shape

可视化图片

plt.figure(figsize=(20, 10))
for i in range(20):
    plt.subplot(5, 10, i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
plt.show()

调整图片形状(添加一个通道)

train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))
train_images.shape, train_labels.shape, test_images.shape, test_labels.shape

构建CNN网络模型

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), #卷积层1，32个3x3的卷积核
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(), # Flatten层，连接卷积层和全连接层
    layers.Dense(64, activation='relu'), # 全连接层，特征进一步提取
    layers.Dense(10) # 输出层，输出预期结果
])
# 打印网络结构
model.summary()

编辑模型

"""
    设置优化器、损失函数以及metrics
"""
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy']
)

optimizer：预定义优化器名称
  1、sgd： tf.optimizers.SGD(lr = 学习率， decay = 学习率衰减率，momentum = 动量参数）
  2、adagrad：tf.keras.optimizers.Adagrad(lr = 学习率， decay = 学习率衰减率）
  3、adadelta：tf.keras.optimizers.Adadelta(lr = 学习率，decay = 学习率衰减率）
  4、adam：tf.keras.optimizers.Adam(lr = 学习率， decay = 学习率衰减率）
loss：预定义损失函数名称
  1、“mse”、“mean squared error”、tf.keras.losses.MeanSquaredError()
  2、“sparse_categorical_crossentropy” 、tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)
metrics：评估模型在训练和测试时的性能的指标
  1、 “accuracy”
  2、“sparse_accuracy”
  3、“sparse_categorical_accuracy”

训练模型

"""
    设置输入训练数据集(图片和标签)、验证数据集(图片和标签)以及迭代次数epochs
"""
history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels)
)

train_images：输入数据，如果模型只有一个输入，那么x的类型是numpy，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy
array
train_labels：标签，numpy array
epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch
validation_data：形式为（x，y）的tuple，是指定的验证集。

预测

import numpy as np
# 预测
pre = model.predict(test_images) # 对所有测试图片进行预测
test_result = []
for i in range(20):
    test_result.append(np.argmax(pre[i]))
print("预测的结果：",test_result)
# 可视化测试图片和测试的标签，与结果进行比较
plt.figure(figsize=(20, 10))
for i in range(20):
    plt.subplot(5, 10, i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    plt.xlabel(test_labels[i])
plt.show()