Machine learning 如何正确地训练CNN对看不见的数据进行预测？
我一直在为我的学校项目开发一个识别数字的程序。为此，我使用了Python、Keras和MNIST数据集。这是我用来训练它的代码：Machine learning 如何正确地训练CNN对看不见的数据进行预测？,machine-learning,neural-network,keras,conv-neural-network,mnist,Machine Learning,Neural Network,Keras,Conv Neural Network,Mnist,我一直在为我的学校项目开发一个识别数字的程序。为此，我使用了Python、Keras和MNIST数据集。这是我用来训练它的代码： 导入keras 从keras.dataset导入mnist 从keras.models导入顺序 从keras.layers导入致密、脱落、平坦 从keras.layers导入卷积2D、最大池2D、激活、平均池2D 从keras导入后端为K 将matplotlib.pyplot作为plt导入 导入matplotlib 批量大小=32 num_类=10 纪元=10 img
导入keras
从keras.dataset导入mnist
从keras.models导入顺序
从keras.layers导入致密、脱落、平坦
从keras.layers导入卷积2D、最大池2D、激活、平均池2D
从keras导入后端为K
将matplotlib.pyplot作为plt导入
导入matplotlib
批量大小=32
num_类=10
纪元=10
img_行，img_列=28，28
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
如果K.image_data_format（）==“channels_first”：
x_列=x_列重塑（x_列形状[0]，1，img_行，img_列）
x_测试=x_测试。重塑（x_测试。形状[0]，1，img_行，img_列）
输入形状=（1，img\u行，img\u列）
其他：
x_列=x_列重塑（x_列形状[0]，img_行，img_列，1）
x_测试=x_测试。重塑（x_测试。形状[0]，img_行，img_列，1）
输入形状=（img\u行，img\u列，1）
x_-train=x_-train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_列/=255
x_检验/=255
打印（'x_列形状：'，x_列形状）
打印（x_序列形状[0]，“序列样本”）
打印（x_测试形状[0]，“测试样本”）
y_train=keras.utils.to_categorical（y_train，num_classes）
y_测试=keras.utils.to_分类（y_测试，num_类）
模型=顺序（）
添加（卷积2D（6，（5，5），输入形状=输入形状））
添加（激活（'sigmoid'））
add（MaxPooling2D（池大小=（2,2）））
模型添加（卷积2D（12，（5，5）））
添加（激活（'sigmoid'））
添加（平均池2D（池大小=（2,2）））
model.add（展平（））
模型添加（密度（192））
模型.添加（密度（10））
添加（激活（'sigmoid'））
模型.添加（密度（10））
添加（激活（'softmax'））
model.compile（loss=keras.loss.categorical_交叉熵，
optimizer=keras.optimizers.Adadelta（），
指标=[‘准确度’]）
hist=模型拟合（x\U系列、y\U系列、，
批次大小=批次大小，
时代，
verbose=1，
验证数据=（x_检验，y_检验）
分数=模型。评估（x_检验，y_检验，详细度=0）
打印（'测试损失：'，分数[0]）
打印（'测试精度：'，分数[1]）
model.save（'model3.h5'）
列车损失=历史记录[“损失”]
val_loss=历史记录['val_loss']
列车加速=历史记录['acc']
val_acc=历史记录['val_acc']
xc=范围（历元）
plt.图（1，figsize=（7,5））
plt.绘图（xc，列车损失）
plt.绘图（xc，val_损耗）
plt.xlabel（'numofepochs'）
plt.ylabel（“损失”）
plt.title（“列车损失vs价值损失”）
plt.grid（真）
plt.图例（['train'，'val']））
打印（plt.style.available）#使用bmh、classic、ggplot打印大图片
plt.style.use（['classic']））
plt.图（2，figsize=（7,5））
plt.绘图（xc，列车加速）
plt.绘图（xc、val_acc）
plt.xlabel（'numofepochs'）
plt.ylabel（“精度”）
plt.标题（列车与车辆）
plt.grid（真）
plt.图例（['train'，'val'，loc=4）
#打印plt.style.available#使用bmh、classic、ggplot打印大图片
plt.style.use（['classic']））
plt.show（）
导入操作系统，cv2
将numpy作为np导入
将matplotlib.pyplot作为plt导入
从sklearn.utils导入shuffle
从sklearn.model\u选择导入列车\u测试\u拆分
从keras导入后端为K
从keras.models导入负载_模型
K.设置图像尺寸顺序（“tf”）
从keras.utils导入np_utils
从keras.models导入顺序
从keras.layers.core导入致密、脱落、激活、展平
从keras.layers.convolution导入Convolution2D，MaxPoolig2D
从keras.optimizers导入新加坡元、RMSprop、adam
PATH=os.getcwd（）
数据路径=路径+'\myNumbers'
data_dir_list=os.listdir（数据路径）#direktoriji unutra
img_数据=[]
对于数据目录列表中的文件：
test\u image=cv2.imread（数据路径+“\\”+文件）
测试图像=cv2.CVT颜色（测试图像，cv2.COLOR\U RGB2GRAY）
test_image=cv2.调整大小（test_image，（28,28））
test\u image=np.array（test\u image）
test\u image=test\u image.astype（'float32'）
测试图像/=255
打印（测试图像形状）
测试图像=np。展开图像（测试图像，轴=3）
测试图像=np。展开图像（测试图像，轴=0）
打印（测试图像形状）
img_data.append（测试_图像）
模型=负荷\模型（“模型3.h5”）
对于img_数据中的img：
打印（模型预测（img））
打印（模型预测类（img））