如何使數字圖片分類任務的準確率達到99％以上？

任務描述：訓練模型，識別圖片上的手繪數字。

數據集描述：數據集train.csv和test.csv包含從0-9的手繪數字的灰度圖像，每張圖片為28×28 = 784個像素值，像素值的範圍在0-255之間。

train.csv文件：一共785=(1+784)列，第一列稱為「標籤」，即手繪圖片上的數字，其餘列為與標籤對應的像素值。

test.csv文件：與train.csv文件相同，只是不含有標籤列。

提交文件應採用以下格式：對於測試集中的每個圖像，輸出一行，其中包含圖像標識ID和您預測的數字例如，如果您預測第一張圖像是3，第二張圖像是7，第三張圖像是8，那麼您的提交文件將如下所示：

ID，label

1,3

2,7

3,8

本文使用的深度學習框架

tensorflow-gpu版本：1.2.0

keras版本：2.1.6

建立模型

Step 1：導入要用的包

Step 2:讀取數據

Step 3：查看數據集

Step 4:查看數據集分布是否平衡及是否有缺失值

對每一類圖片進行數量統計

train_y.value_counts()

查看數據集是否有缺失值

train_x.isnull().any().describe()

Step 5:數據歸一化和重整數據集

Step 6:將類別標籤轉化成one-hot編碼

Step 7：劃分train_x數據集為訓練集和驗證集

Step 8:建立CNN模型

Step 9:運行模型

Step 10:畫出訓練集和驗證集的準確率和損失圖

Step 11:畫出混淆矩陣

Step 12:展示預測錯誤的結果

思考：如何進一步改進模型？

Step 13:對測試集做預測

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！