计算机视觉实战：MNIST 手写数字识别（CNN）

欢迎来到TensorFlow中文学习手册的实战章节！本章将带领大家从零开始，使用卷积神经网络（CNN）解决经典的MNIST手写数字识别问题。这是一个入门级的计算机视觉项目，适合新人快速上手深度学习。我们将覆盖项目需求、数据加载、预处理、模型构建、训练调优和评估预测的完整流程。

项目概述

MNIST（Modified National Institute of Standards and Technology）数据集是计算机视觉领域的一个标准数据集，包含70,000张28x28像素的手写数字灰度图像（60,000张用于训练，10,000张用于测试）。我们的目标是构建一个CNN模型，准确识别这些数字（0-9）。通过这个项目，您将掌握TensorFlow的基本操作和CNN的应用。

数据加载与预处理

首先，我们需要加载和处理数据。TensorFlow的tf.keras.datasets.mnist模块提供了便捷的数据加载功能。

数据加载

使用tf.keras.datasets.mnist.load_data()函数加载数据，它会自动下载并分割为训练集和测试集。

import tensorflow as tf

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 查看数据形状
print("训练集图像形状:", x_train.shape)  # (60000, 28, 28)
print("训练集标签形状:", y_train.shape)  # (60000,)
print("测试集图像形状:", x_test.shape)    # (10000, 28, 28)
print("测试集标签形状:", y_test.shape)    # (10000,)

数据预处理

为了提升模型性能，我们需要对数据进行预处理。

1. 归一化（Normalization）：将图像像素值从0-255缩放到0-1之间，这有助于模型更快收敛。
2. 独热编码（One-Hot Encoding）：将标签转换为独热向量格式，适用于多分类任务。

# 归一化：将像素值缩放到0-1
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 独热编码：将标签转换为独热向量
y_train = tf.keras.utils.to_categorical(y_train, 10)  # 10个类别（0-9）
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 查看预处理后的形状
y_train形状现在变为: (60000, 10)

此外，我们还需要调整输入数据的维度，以匹配CNN的输入要求。

# 调整输入维度：添加通道维度（对于灰度图像，通道数为1）
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)
print("调整后的训练集形状:", x_train.shape)  # (60000, 28, 28, 1)

CNN 模型构建

接下来，我们构建一个简单的CNN模型。CNN擅长处理图像数据，通过卷积层提取特征，池化层降维，最后使用全连接层进行分类。

我们使用tf.keras.Sequential模型，依次添加：

• Conv2D层：卷积层，使用ReLU激活函数提取特征。
• MaxPooling2D层：池化层，减少计算量和防止过拟合。
• Flatten层：将多维输入展平，以便连接全连接层。
• Dense层：全连接层，最终输出10个类别的概率。

model = tf.keras.Sequential([
    # 第一个卷积层：32个3x3卷积核，输入形状(28,28,1)，使用ReLU激活
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    # 第一个池化层：2x2最大池化
    tf.keras.layers.MaxPooling2D((2,2)),
    
    # 第二个卷积层：64个3x3卷积核
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    # 第二个池化层
    tf.keras.layers.MaxPooling2D((2,2)),
    
    # 展平层
    tf.keras.layers.Flatten(),
    
    # 全连接层：128个神经元
    tf.keras.layers.Dense(128, activation='relu'),
    # 输出层：10个神经元（对应0-9数字），使用Softmax激活函数输出概率
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型：使用分类交叉熵作为损失函数，Adam优化器，准确率作为评估指标
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 查看模型摘要
model.summary()

模型训练与调优

训练模型时，我们需要考虑调优技术来提升性能和防止过拟合。

添加调优技术

1. Dropout：在训练过程中随机丢弃部分神经元，减少过拟合。我们可以在全连接层后添加Dropout层。
2. 早停（Early Stopping）：监控验证集的性能，如果性能不再提升，则提前停止训练。
3. 学习率调度（Learning Rate Scheduling）：动态调整学习率，例如使用学习率衰减。

我们将模型稍作修改以加入Dropout，并使用回调函数实现早停和学习率调度。

# 修改模型，在全连接层后添加Dropout
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),  # 添加Dropout，丢弃率为50%
    tf.keras.layers.Dense(10, activation='softmax')
])

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

# 定义回调函数
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau

# 早停：监控验证集准确率，如果3个epoch没有提升则停止
early_stopping = EarlyStopping(monitor='val_accuracy', patience=3, verbose=1)
# 学习率调度：当验证集损失停止改善时，将学习率减少一半
lr_scheduler = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=2, verbose=1)

callbacks = [early_stopping, lr_scheduler]

# 训练模型
history = model.fit(x_train, y_train,
                    epochs=20,  # 设置最大训练轮数
                    batch_size=32,  # 批量大小
                    validation_split=0.2,  # 从训练集划分20%作为验证集
                    callbacks=callbacks,
                    verbose=1)

模型评估与预测

训练完成后，我们需要评估模型性能并进行预测。

评估模型

使用测试集评估模型的准确率。

# 评估模型
test_loss, test_accuracy = model.evaluate(x_test, y_test, verbose=0)
print("测试集损失:", test_loss)
print("测试集准确率:", test_accuracy)

预测与混淆矩阵可视化

进行预测并可视化混淆矩阵，以深入了解模型在不同类别上的表现。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import seaborn as sns

# 预测测试集
predictions = model.predict(x_test)
predicted_classes = np.argmax(predictions, axis=1)  # 转换为类别索引

# 获取真实标签（从独热编码转换回）
y_true = np.argmax(y_test, axis=1)

# 计算混淆矩阵
cm = confusion_matrix(y_true, predicted_classes)

# 可视化混淆矩阵
plt.figure(figsize=(10, 8))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=range(10), yticklabels=range(10))
plt.xlabel('预测标签')
plt.ylabel('真实标签')
plt.title('混淆矩阵可视化')
plt.show()

随机测试图像预测示例

我们还可以随机抽取测试图像进行预测展示。

# 随机选择一些测试图像
import random
num_samples = 5
sample_indices = random.sample(range(len(x_test)), num_samples)

for i in sample_indices:
    img = x_test[i].reshape(28, 28)  # 展平为图像显示
    plt.imshow(img, cmap='gray')
    plt.title(f"预测: {predicted_classes[i]}, 真实: {y_true[i]}")
    plt.axis('off')
    plt.show()

总结

本章详细介绍了使用TensorFlow构建CNN进行MNIST手写数字识别的完整实战过程。您学会了如何加载数据、进行预处理、构建CNN模型、添加调优技术以及评估和预测。通过实践这个项目，您应该对TensorFlow和CNN有了更深入的理解。建议尝试调整模型参数或添加更多层来进一步提升准确率。在接下来的章节中，我们将探索更复杂的计算机视觉任务，如CIFAR-10图像分类。