构建多层感知器神经网络对数字图片进行文本识别

点击上方“ 程序员大咖 ”，选择“置顶公众号”

关键时刻，第一时间送达！

在Keras环境下构建多层感知器模型，对数字图像进行精确识别。

模型不消耗大量计算资源，使用了cpu版本的keras，以Tensorflow 作为backended，在ipython交互环境jupyter notebook中进行编写。

1.数据来源

在Yann LeCun的博客页面上下载开源的mnist数据库：

http://yann.lecun.com/exdb/mnist/

此数据库包含四部分：训练数据集、训练数据集标签、测试数据集、测试数据集标签。由于训练模型为有监督类型的判别模型，因此标签必不可少。若使用该数据集做k-means聚类，则不需要使用标签。将数据整合之后放入user.kerasdatasets文件夹以供调用。

也可以直接从keras建议的url直接下载：https://s3.amazonaws.com/img-datasets/mnist.npz

其中训练数据集包含了60000张手写数字的图片和这些图片分别对应的标签；测试数据集包含了10000张手写数字的图片和这些图片分别对应的标签.

2.数据格式和前期处理（在此不涉及）

训练数据集包含60000张图片，测试数据集包含10000张，所有图片都被当量化为28pixel*28pixel的大小。为减少向量长度，将图片灰度处理，每个像素用一个RGB值表示（0~255），这是因为灰度处理后的RGB值加了归一约束，向量长度相是灰度处理前的1/3。至此，每个图片都可以用28*28的向量表示。

3.导入依赖库

打开jupyter notebook后导入依赖库numpy,此处的seed为随机量的标签，可随意设置:

from __future__ import print_function

import numpy as np

np . random . seed ( 9999 )

继续从keras中导入使用到的模块：

from keras . datasets import mnist

from keras . models import Sequential

from keras . layers . core import Dense , Dropout , Activation

from keras . optimizers import SGD , Adam , RMSprop

from keras . utils import np_utils

mnist为之前准备的数据集，Dense为全连接神经元层，Dropout为神经元输入的断接率，Activation为神经元层的激励函数设置。

导入绘图工具，以便之后绘制模型简化图：

from keras.utils.vis_utils import plot_model as plot

4.处理导入的数据集

处理数据集

1. 为了符合神经网络对输入数据的要求，原本为60000*28*28shape的三维ndarray,改变成了尺寸为60000*784的2维数组，每行为一个example，每一列为一个feature。

2. 神经网络用到大量线性与求导运算，将输入的feature的数值类型改变为32位float。

3. 将feature值归一化，原本0~255的feature归一为0~1。

4. 测试数据集同理。

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

X_train = X_train . reshape ( 60000 , 28 * 28 )

X_test = X_test . reshape ( 10000 , 28 * 28 )

X_train = X_train . astype ( 'float32' )

X_test = X_test . astype ( 'float32' )

X_train /= 255

X_test /= 255

处理标签

文本识别问题本质是一个多元分类问题。将类向量转换为二进制数表示的类矩阵，其中每一行都是每一个example对应一个label。label为10维向量，每一位代表了此label对应的example属于特定类（0~10）的概率。此时Y_train为60000*10的向量，Y_test为10000*10的向量

Y_train = np_utils . to_categorical ( y_train , nb_classes )

Y_test = np_utils . to_categorical ( y_test , nb_classes )

5.用keras建立神经网络模型

batch_size = 128

nb_classes = 10

nb_epoch = 20

model = Sequential ()

model . add