正文

轻松掌握MNIST：从数据预处理到输出标签的完整教程

/0 浏览量
0703

在深度学习领域，MNIST 数据集因其简单性、规模适中以及易于理解而被广泛用于入门和实验。本文将带你从数据预处理开始，逐步深入到如何从 MNIST 数据集中提取特征，最终输出标签。让我们一起踏上这段学习之旅吧！

一、MNIST 数据集简介

MNIST 是由美国国家标准与技术研究院（NIST）提供的手写数字数据库，包含了 0 到 9 的手写数字图片，共计 60,000 个训练样本和 10,000 个测试样本。每个数字图片都是 28x28 的灰度图像。

二、数据预处理

2.1 数据加载

首先，我们需要将 MNIST 数据集加载到我们的环境中。在 Python 中，可以使用 tensorflow 或 keras 库来加载。

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

2.2 数据归一化

由于神经网络对于输入数据的范围非常敏感，因此我们需要将数据归一化到 [0, 1] 范围内。

train_images = train_images / 255.0
test_images = test_images / 255.0

2.3 数据形状调整

在深度学习中，我们通常需要将数据调整成 [样本数量, 高度, 宽度, 颜色通道] 的形状。对于 MNIST 数据集，颜色通道只有一个（灰度图）。

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

三、构建神经网络模型

接下来，我们将构建一个简单的卷积神经网络（CNN）模型，用于识别 MNIST 数据集中的数字。

from tensorflow.keras import layers, models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

四、编译和训练模型

现在，我们已经构建了模型，接下来是编译和训练模型。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=5)

五、评估模型

训练完成后，我们需要评估模型在测试数据集上的表现。

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")

六、输出标签

最后，我们可以使用训练好的模型来预测新的图像并输出对应的标签。

predictions = model.predict(test_images)
predicted_labels = predictions.argmax(axis=1)

# 输出前 5 个预测的标签
print(predicted_labels[:5])

通过以上步骤，我们已经成功地从数据预处理到输出标签完成了 MNIST 数据集的整个流程。希望这篇文章能帮助你更好地理解 MNIST 数据集以及如何使用深度学习技术进行图像识别。祝你学习愉快！

-- 展开阅读全文 --