本文摘自《Keras深度学习：入门、实战及进阶》一书。
本小节我们将利用MNIST数据集的训练数据训练模型，MNIST数据集的测试数据评估模型，再利用训练好的模型对本地的50个手写数字图像进行预测，查看预测效果。
在num文件夹中已经保存了50张0~9的彩色数字图像
使用EBImage包的readImage()函数将num文件夹中的所有数字图像读取到R中。
> library(keras)> library(EBImage)> # 图像数据读取> setwd('../num') # 设置num文件夹为默认路径> temp <- paste(1:50,'png',sep = '.') > mypic <- list()> for (i in 1:length(temp)) {mypic[[i]] <- readImage(temp[[i]])}
利用for循环语句，已经将50张数字图像读入到R中。利用plot()函数查看读取的数字图像。
> # 绘制数字图像> par(mfrow=c(10,5))> for(i in 1:50) plot(mypic[[i]])> par(mfrow=c(1,1))
在对数据图像处理前，让我们先查看各个图像的维度大小。以下程序将每张图像的实际值和三个维度的实际大小保存到size对象中，并查看前六张图像的数据情况。
> # 查看各图像的维度大小> size <- data.frame(pic = 1:50,+num = rep(0:9,each = 5),+dim1 = sapply(mypic,dim)[1,],+dim2 = sapply(mypic,dim)[2,],+dim3 = sapply(mypic,dim)[3,])> head(size)pic num dim1 dim2 dim31 1 0 122 106 32 2 0 119 106 33 3 0 126 100 34 4 0 125 115 35 5 0 124 118 36 6 1 100 108 3
数据框size中的dim1、dim2、dim3分别对应图像的像素宽度、像素高度和颜色通道。因为dim3列的值均为3，所以这些数字图像均为彩色图像，需利用colorMode()函数将它们转变为灰色图像。因为各图像的dim1和dim2值不相同，故这些图像大小不一致，需利用resize()函数进行处理。
> # 图像处理> for (i in 1:length(temp)) {colorMode(mypic[[i]]) <- Grayscale} # 转换为灰色图像> for (i in 1:length(temp)) {mypic[[i]] <- 1-mypic[[i]]} # 转换为背景色为黑色，数字为白色的图像> for (i in 1:length(temp)) {mypic[[i]] <- resize(mypic[[i]], 28, 28)} # 将图像转换为28*28大小> for (i in 1:length(temp)) {mypic[[i]] <- array_reshape(mypic[[i]], c(28,28,3))} # 将image转变为list> new <- NULL> for (i in 1:length(temp)) {new <- rbind(new, mypic[[i]])}> newx <- new[,1:784] # 得到50*784的X二维矩阵> newy <- size$num # 得到每个图像的实际数字
最后，再次使用plot()函数查看经过处理后的数字图像。
> # 绘制处理后的数字图像> par(mfrow=c(5,10))> for(i in 1:50) plot(as.raster(array_reshape(newx[i,],c(28,28))))> par(mfrow=c(1,1))
以下是MNIST数据预处理代码。
> # 加载MNIST数据集> mnist <- dataset_mnist()> trainx <- mnist$train$x> trainy <- mnist$train$y> testx <- mnist$test$x> testy <- mnist$test$y> # 改变数据形状和大小> trainx <- array_reshape(trainx, c(nrow(trainx), 784))> testx <- array_reshape(testx, c(nrow(testx), 784))> trainx <- trainx / 255> testx <- testx /255> # 独热编码> trainy <- to_categorical(trainy, 10)> testy <- to_categorical(testy, 10)
以下是深度学习建模代码。
> # 构建MLP模型函数> build_model <- function() {+ model <- keras_model_sequential() %>%+layer_dense(units = 512, activation = 'relu', input_shape = c(784)) %>% +layer_dropout(rate = 0.4) %>% +layer_dense(units= 256, activation = 'relu') %>% +layer_dropout(rate = 0.3) %>% +layer_dense(units = 10, activation = 'softmax')+ # 编译+ model %>% compile(+loss = 'categorical_crossentropy',+optimizer = optimizer_rmsprop(),+metrics = 'accuracy')+ model+ }
以下是训练模型代码。
> model <- build_model()> history <- model %>% fit(+ trainx,+ trainy,+ epochs = 30,+ batch_size = 32,+ validation_split = 0.2)> plot(history)
以下是对彩色数据进行预测。
> # 模型预测> pred <- model %>% predict_classes(newx)> t <- table(Actual = newy,Predicted = pred)> tActual 0 1 2 3 4 5 6 7 8 90 4 0 1 0 0 0 0 0 0 01 0 5 0 0 0 0 0 0 0 02 0 0 5 0 0 0 0 0 0 03 0 0 1 4 0 0 0 0 0 04 0 1 1 0 2 0 0 0 0 15 0 0 0 0 0 4 0 0 1 06 0 0 0 0 0 4 1 0 0 07 0 0 1 1 0 0 0 2 1 08 0 0 3 1 0 0 0 0 0 19 0 0 0 1 1 1 2 0 0 0
从混淆矩阵可知，除了1、2这两种数字图像全部预测正确外，其他数字图像均有预测结果与实际值不一致情况。
通过以下程序代码绘制预测与实际不一致的数字图像。
> ind <- which(newy!=pred) # 提取预测与实际不一致的下标集> par(mfrow=c(4,6))> for(i in ind){+ plot(as.raster(array_reshape(newx[i,],c(28,28))))+ title(paste('Actual=',newy[i],'Predicted=',pred[i]))+ }> par(mfrow=c(1,1))
从可知，数字8、9全部预测错误，数字6有4个预测错误，数据4、7各有3个预测错误，数字0、3、6分别有1个预测错误。
