---
tags: tensorflow,keras,cnn
---
# Mnist--手寫辨識使用CNN

from tensorflow.keras.datasets import mnist
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
(x_train, y_train), (x_test,y_test) = mnist.load_data()
def one_hot(data,size):
    shape=(len(data),size)
    val=np.zeros(shape=shape)
    for i in range(len(data)):
        val[i][data[i]]=1
    return val
np.set_printoptions(edgeitems=256)
#print(x_train)

## 資料預處理部分
將圖片資料歸一化(除以255)，因為像素範圍從0-255
Conv2D，這裡的D不是維度(Dimension)，而是軸(axis)的概念
會要reshape的原因是
因為是灰階圖片，會省略最後面的通道
通常Conv2D輸入(pixel,pixel,channel)
channel=3為彩色圖片(ex: RGB三通道)

x_train=x_train.astype('float32')/255
x_train=x_train.reshape(-1,28,28,1)
y_train=one_hot(y_train,10)
x_test=x_test.astype('float32')/255
x_test=x_test.reshape(-1,28,28,1)
y_test=one_hot(y_test,10)

## 建立卷積神經網路
- Conv2D卷積層
- 有點類似一直放大(zoom)圖片
- padding為填補，設定為same會==自動補齊==因卷積後，導致輸入輸出圖片大小不一的情形
- MaxPooling2D池化層(Pooling Layer)
- 用來鎖定特徵，假設今天圖片為32x32的大小，而池化層設為2，那麼池化層的輸出便是16x16，也就是將像素都除以2
- Flatten平坦層
- 負責下降維度，將矩陣拉成一維陣列的概念。假設有8張50x50的特徵圖(Feature map)，在該層會被轉成1D向量，變成50x50x8=20000維
- Dense全連接層(又稱Linear layer)
- 可做線性轉換
- 最後一層可用來分類(sigmoid二元分類、softmax多元分類)
- Dropout是丟棄層
- 用來減緩神經網路的過度擬和問題(Overfitting)

relu函數，通常用來當作卷積神經網路的開端

softmax在另一篇Mnist有提到，就不說明了

from tensorflow.keras import layers, models
cnn=models.Sequential()
cnn.add(layers.Conv2D(64,(3,3),padding='same',activation='relu',input_shape=(28,28,1)))
cnn.add(layers.MaxPooling2D((2,2)))
cnn.add(layers.Conv2D(64,(3,3),padding='same',activation='relu'))
cnn.add(layers.MaxPooling2D((2,2)))
cnn.add(layers.Flatten())
cnn.add(layers.Dense(10,activation='softmax'))
cnn.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['acc'])
history=cnn.fit(x=x_train,y=y_train,batch_size=128,epochs=20,validation_split=0.1)
#x_train=x_train.reshape((60000,28,28,3))
#print(x_train[0].shape)

精確度，找時間補齊Confusion metrix

印出訓練趨勢圖

plt.plot(history.history['acc'],"r-")
plt.plot(history.history['val_acc'],"b--")
plt.title('Training/validating accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['training accuracy','validating accuracy'],loc="best",frameon=False)
plt.show()