前言：
今天我們將使用上篇文章中所建立的模型，來進行訓練，並且查看結果。
今天我們將使用上篇文章中所建立的模型，來進行訓練，並且查看結果。
程式開始：
（1）定義訓練方式
model.compile(loss=’categorical_crossentropy’,
optimizer=’adam’,
metrics=[‘accuracy’]
)
說明：
設定損失函數，最優化方法以及評估方法等。
（2）開始訓練
train_history=model.fit(x=x_train_nor,y=y_train_one,validation_split=0.1,epochs=15,batch_size=200,verbose=2)
說明：
x=>影像特徵值
y=>影像實際值
validation_split=>設定訓練及驗證資料比例
epochs=>訓練周期
batch_size=>每一批次多少筆資料
verbose=>顯示訓練過程
（3）畫出圖形
def plot_images_labels(images,labels,prediction,idx,num=10):
fig=plt.gcf()
fig.set_size_inches(12,14)
if num>25:
num=15
for i in range(0,num):
ax=plt.subplot(5,5,1+i)
ax.imshow(np.reshape(images[idx],(28,28)), cmap=’binary’)
title=”label=” +str(labels[idx])
if len(prediction)>0:
title+=”,predict=”+str(prediction[idx])
ax.set_title(title,fontsize=10)
ax.set_xticks([])
ax.set_yticks([])
idx=idx+1
plt.show()
說明：
前面有使用過，不多講。
def plot_images_labels(images,labels,prediction,idx,num=10):
fig=plt.gcf()
fig.set_size_inches(12,14)
if num>25:
num=15
for i in range(0,num):
ax=plt.subplot(5,5,1+i)
ax.imshow(np.reshape(images[idx],(28,28)), cmap=’binary’)
title=”label=” +str(labels[idx])
if len(prediction)>0:
title+=”,predict=”+str(prediction[idx])
ax.set_title(title,fontsize=10)
ax.set_xticks([])
ax.set_yticks([])
idx=idx+1
plt.show()
說明：
前面有使用過，不多講。
（4）進行預測
prediction=model.predict_classes(x_test)
plot_images_labels(x_test_image,y_test_label,prediction,idx=300)
說明：
第1行：輸入影像，並儲存結果。
第3行：印出預測值，從第300筆開始，印10筆，也就是（300-309）。
（5）顯示混淆矩陣
import pandas as pd
pd.crosstab(y_test_label,prediction,rownames=[‘label’],colnames=[‘predict’])
說明：
引入pandas crosstab函式來建立混淆矩陣。
import pandas as pd
pd.crosstab(y_test_label,prediction,rownames=[‘label’],colnames=[‘predict’])
說明：
引入pandas crosstab函式來建立混淆矩陣。
結語：
到了這邊，用keras做多層感知器就練習就完成了，下一篇開始使用keras+CNN來做手寫數字辨識。
到了這邊，用keras做多層感知器就練習就完成了，下一篇開始使用keras+CNN來做手寫數字辨識。
转载请注明：XAMPP中文组官网 » DAY26 基於Keras進行數字辨識（2）