奇书网

第三节 手写数字识别（第2页）

#控制每个训练批次的数据大小的参数，读者可以调整并观察会产生什么变化

num_classes=10

#分类器类别数量。因为要识别0到9共10个手写数字，所以类别是10

#如果识别手写小写字母，则分类就是26

epochs=12

#训练周期，读者可以调整并观察效果，训练周期越大，训练时间越长

img_rows，img_cols=28，28

#图片的长和宽的像素数

（x_train，y_trai）=mnist。load_data（path="D：mnist。npz"）

#如果方便访问亚马逊云，可以用（x_train，y_trai）=

#mnist。load_data（）来自动下载数据。如果已经从教材资源平台将数据下载

#到本地，#假设保存在D盘根目录下，就使用上述命令形式。需要注意的是，

#为了和linux兼容，windows下的路径反斜杠""都要写成""另外，

#上述命令将数据分为训练数据和验证数据。无论是训练集还是验证集，都令x

#是输入数据，y是输出数据

ifK。image_data_format（）=='els_first'：

x_train=x_trairain。shape[_cols）

&。reshape（x_test。shape[_cols）

input_shape=（1，img_rows，img_cols）

else：

x_train=x_trairain。shape[_cols，1）

&。reshape（x_test。shape[_cols，1）

input_shape=（img_rows，img_cols，1）

#因为Theano和TensorFlow定义的图片格式不同，这里针对不同的后台对

#数据进行处理，读者暂且可以不用深究

x_train=x_train。astype（'float32'）

&。astype（'float32'）

x_train=255

&=255

print（'x_trainshape：'，x_train。shape）

print（x_train。shape[0]，'trainsamples'）

pri。shape[0]，'testsamples'）

#上述命令给出训练集和测试集的维度，输出如下：

#x_trainshape：（60000，28，28，1）

#60000trainsamples

#10000testsamples

y_traiils。to_categorical（y_train，num_classes）