Обучение нейронной сети в Keras для распознавания рукописных цифр на Python | Урок 8

Keras – это высокоуровневая библиотека для обучения нейронных сетей, написанная на Python. В этом уроке мы рассмотрим обучение сети распознаванию рукописных цифр с помощью Keras. Мы будем использовать набор данных MNIST, который содержит изображения рукописных цифр от 0 до 9.

Шаг 1: Установка Keras
Прежде всего, убедитесь, что у вас установлен Keras. Вы можете установить Keras, выполнив следующую команду:

pip install keras

Кроме того, убедитесь, что у вас установлены следующие библиотеки:

pip install numpy matplotlib tensorflow

Шаг 2: Импорт необходимых библиотек
Давайте начнем с импорта необходимых библиотек:

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.utils import to_categorical

Шаг 3: Загрузка и предобработка данных
Теперь загрузим набор данных MNIST и предобработаем его:

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Преобразуем изображения в одномерный массив и нормализуем их
x_train = x_train.reshape((-1, 28, 28, 1)) / 255.0
x_test = x_test.reshape((-1, 28, 28, 1)) / 255.0

# Преобразуем метки в кодировку one-hot
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

Шаг 4: Создание модели нейронной сети
Теперь создадим модель нейронной сети с помощью Keras:

model = Sequential([
    Flatten(input_shape=(28, 28, 1)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

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

Шаг 5: Обучение модели
Теперь обучим модель на наборе данных MNIST:

model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_test, y_test))

Шаг 6: Оценка модели
Наконец, оценим качество модели на тестовом наборе данных:

loss, accuracy = model.evaluate(x_test, y_test)
print(f'Точность: {accuracy * 100}%')

Это всё, теперь у вас есть модель нейронной сети, способную распознавать рукописные цифры. Вы можете провести дополнительные эксперименты, изменяя архитектуру сети, количество эпох обучения и т.д. В документации Keras вы найдете более подробную информацию об использовании этой библиотеки для обучения нейронных сетей.