环境：Keras 2.04， python 2.7，GPU

使用深度学习框架keras,构建卷积神经网络识别手写数字，keras在构建神经网络方面比Tensorflow简单很多，而且Tensorflow也将keras作为其高级api

#coding:utf-8 """ python 2.7 keras 2.0.4 """ from keras.utils import np_utils from keras.models import Sequential from keras.layers import Dense,Activation,Convolution2D,MaxPooling2D,Flatten from keras.optimizers import Adam from sklearn.metrics import confusion_matrix,classification_report import numpy as np import input_data import datetime start_time = datetime.datetime.now() #设置随机种子 np.random.seed(1000) #数据格式转换 #one_hot=False这里故意使y值为如下表示：(0000000000),目的是后面使用keras的np_utils mnist = input_data.read_data_sets('mnist/',one_hot=False) #样本数,颜色通道,28行28列 train_data=mnist.train.images.reshape(mnist.train.images.shape[0],1,28,28) #通过keras的np_utils将y值转为如下表示：(0000000000) train_labels = np_utils.to_categorical(mnist.train.labels,nb_classes=10) test_data = mnist.test.images.reshape(mnist.test.images.shape[0],1,28,28) test_labels = np_utils.to_categorical(mnist.test.labels,nb_classes=10) #构建模型 model = Sequential() #卷积层,32个卷积核,每个卷积核大小5*5,采用same_padding的方式 model.add(Convolution2D(nb_filter=32,nb_row=5,nb_col=5,border_mode='same',input_shape=(1,28,28))) #pooling层,采用same padding model.add(MaxPooling2D(pool_size=(2,2),border_mode='same')) model.add(Convolution2D(nb_filter=64,nb_row=5,nb_col=5,border_mode='same')) model.add(MaxPooling2D(pool_size=(2,2),border_mode='same')) #将数据展平 model.add(Flatten()) #全连接层 model.add(Dense(1024)) model.add(Activation('relu')) model.add(Dense(10)) model.add(Activation('softmax')) #编译模型sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9,nesterov=True) model.compile(optimizer=Adam(lr = 0.001),loss='categorical_crossentropy',metrics=['accuracy']) #训练模型 #shuffle就是是否把数据随机打乱之后再进行训练 # verbose是屏显进度条 # validation_split就是拿出百分之多少用来做交叉验证 model.fit(train_data,train_labels,nb_epoch=10,batch_size=50,shuffle=True,verbose=1,validation_split=0.3) #测试集结果 c,acc = model.evaluate(test_data,test_labels,batch_size=50) #输出预测分类是0,1,2,3,4,5这种类型 predictions = model.predict_classes(test_data,batch_size=50) #混淆矩阵 print(confusion_matrix(mnist.test.labels,predictions)) #report print(classification_report(mnist.test.labels,np.array(predictions))) #模型训练了多久 end_time = datetime.datetime.now() total_time = (end_time - start_time).seconds print('total time is:',total_time)

结果：

实验过程是在GPU上测试的，速度比cpu快很多，进行十轮训练用了582s