2.keras實現MNIST手寫數字分類問題初次嘗試（Python）__Python

根據我上一篇文章下載完MNIST資料集後，下一步就是看看keras是如何對它進行分類的。

參考部落格：

http://blog.csdn.net/vs412237401/article/details/51983440

之際複製該blog中的代碼發現在我這兒運行不通，初步判斷是因為Window和Linux系統路徑方面差別，處理有點兒問題，所以對此修改了一點

先看原文：

def load_mnist(path, kind='train'):       """Load MNIST data from `path`"""       labels_path = os.path.join(path, '%s-labels-idx1-ubyte' % kind)       images_path = os.path.join(path, '%s-images-idx3-ubyte' % kind)       with open(labels_path, 'rb') as lbpath:           magic, n = struct.unpack('>II', lbpath.read(8))           labels = np.fromfile(lbpath, dtype=np.uint8)       with open(images_path, 'rb') as imgpath:           magic, num, rows, cols = struct.unpack(">IIII", imgpath.read(16))           images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)       return images, labels         X_train, y_train = load_mnist('../data', kind='train')   print('Rows: %d, columns: %d' % (X_train.shape[0], X_train.shape[1]))   X_test, y_test = load_mnist('../data', kind='t10k')   print('Rows: %d, columns: %d' % (X_test.shape[0], X_test.shape[1]))  我的理解是他把MNIST資料集檔案直接存放在該python工程檔案夾下data檔案夾內了。

對於windows使用者，感覺上述代碼問題點在於：

1.load_mnist('../data', kind='train')，對於window系統，分隔字元應該是 \,然而即使改了這個地方，仍然行不通，不知道是不是前面路徑縮寫的原因；

2.把上面的路徑不用簡寫，完整寫出來，並在字串前加r，仍然行不通。。。錯誤出現在with open(labels_path, 'rb') as lbpath:

3.即使路徑手動調出來了，labels_path = os.path.join(path, '%s-labels-idx1-ubyte' % kind)，這句給出的是你的壓縮包的檔案路徑，讀出來的是壓縮包，也不對。magic, num, rows, cols = struct.unpack(">IIII", imgpath.read(16))讀出的參數是錯的。

鑒於以上問題調了半天，想出以下解決對策

1.將MNIST解壓縮後的檔案直接放在該python工程檔案夾下，並修改上述代碼，以下直接貼出修改後的全部代碼

import osimport structimport numpy as npdef load_mnist( kind='train'):    """Load MNIST data from `path`"""    labels_path = ('%s-labels.idx1-ubyte' % kind)    images_path = ('%s-images.idx3-ubyte' % kind)    with open(labels_path, 'rb') as lbpath:        magic, n = struct.unpack('>II', lbpath.read(8))        labels = np.fromfile(lbpath, dtype=np.uint8)        print magic, n,labels    with open(images_path, 'rb') as imgpath:        magic, num, rows, cols = struct.unpack(">IIII", imgpath.read(16))        print magic, num, rows, cols        images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)  #28*28=784    return images, labelsX_train, y_train = load_mnist( kind='train')print('Rows: %d, columns: %d' % (X_train.shape[0], X_train.shape[1]))X_test, y_test = load_mnist( kind='t10k')print('Rows: %d, columns: %d' % (X_test.shape[0], X_test.shape[1]))import theanotheano.config.floatX = 'float32'X_train = X_train.astype(theano.config.floatX)X_test = X_test.astype(theano.config.floatX)from keras.utils import np_utilsprint('First 3 data: ', X_train[:3])print('First 3 labels: ', y_train[:3])y_train_ohe = np_utils.to_categorical(y_train)  #change numbers to 0/1 mode,for example change 5 to [0 0 0 0 1 0 0 0 0 0]print('First 3 labels (one-hot):', y_train_ohe[:3])from keras.models import Sequentialfrom keras.layers.core import Densefrom keras.optimizers import SGDnp.random.seed(1)model = Sequential()model.add(Dense(input_dim=X_train.shape[1],                output_dim=50,                init='uniform',                activation='tanh'))model.add(Dense(input_dim=50,                output_dim=50,                init='uniform',                activation='tanh'))model.add(Dense(input_dim=50,                output_dim=y_train_ohe.shape[1],                init='uniform',                activation='softmax'))sgd = SGD(lr=0.001, decay=1e-7, momentum=.9)model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=["accuracy"])model.fit(X_train,          y_train_ohe,          nb_epoch=50,          batch_size=300,          verbose=1,          validation_split=0.1)y_train_pred = model.predict_classes(X_train, verbose=0)print('First 3 predictions: ', y_train_pred[:3])train_acc = np.sum(y_train == y_train_pred, axis=0) / X_train.shape[0]print('Training accuracy: %.8f%%' % (train_acc * 100))y_test_pred = model.predict_classes(X_test, verbose=0)test_acc = np.sum(y_test == y_test_pred, axis=0) / X_test.shape[0]print('Test accuracy: %.8f%%' % (test_acc * 100))

以上代碼可以順利跑完了，但是跑出來的分類結果卻跟期待的不太一樣

53400/54000 [============================>.] - ETA: 0s - loss: 0.2002 - acc: 0.940953700/54000 [============================>.] - ETA: 0s - loss: 0.2003 - acc: 0.940954000/54000 [==============================] - 2s - loss: 0.2002 - acc: 0.9409 - val_loss: 0.1840 - val_acc: 0.9478('First 3 predictions: ', array([3, 0, 4]))Training accuracy: 0.00000000%Test accuracy: 0.00000000%

特意將準確率列印到小數點後8位，準確率居然為0。。。。what happened。。

難道標籤錯亂。。有點兒方，尋找答案中。。。。

後記：

經過debug，發現問題出在我的python除法運算上，兩個整數相除，還是整數。python版本導致，貌似3.0以上版本沒有此問題。

如果想得到float結果，將其中一個強行轉化為float型，如

1/2 = 0

1/float（2）=0.5

其實有兩種處理方法，請參考下文：

http://blog.csdn.net/yygydjkthh/article/details/39377265

最後5行代碼應該修正為：

train_acc = np.sum(y_train == y_train_pred, axis=0) /float( X_train.shape[0])print('Training accuracy: %.8f%%' % (train_acc * 100))y_test_pred = model.predict_classes(X_test, verbose=0)test_acc = np.sum(y_test == y_test_pred, axis=0) / float(X_test.shape[0])print('Test accuracy: %.8f%%' % (test_acc * 100))

至此，完成使用keras對MNIST手寫數字分類執行個體的運行。

接下來，繼續學習理論知識和python的使用。