深圳网站建设服务联系方式口碑最好的it培训机构

Digit Recognizer

题意：

给你每个图片的dataframe类型的数据，让你预测出每个图片可能是多少。

思考：

数据处理

1.首先把数据从dadaframe转换成numpy，数据类型改为float32，并且并且展开为1维的28×28×1的形状，也就是28宽28高灰色通道。并且都要/255，因为灰度值是0-255，把灰度值压缩成0-1。
2.把train的image和label分开，然后split成训练集合和验证集合。

建立模型：

Sequential()，构建顺序模型，选择按层顺序堆叠。
添加卷积层，32个卷积核，内核为3×3，线性处理。
添加池化层，池化窗口2×2，步长为2。
添加卷积层，32个卷积核，内核为3×3，线性处理。
添加池化层，池化窗口2×2，步长为2。

Flatten()，将二维特征图展平为一维向量。
128个全神经元，relu激活函数。
输出层10个神经元对应10个答案，softmax激活函数进行分类。

代码：

import sys
import pandas as pd
import torch
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Denseif __name__ == "__main__":data_train = pd.read_csv("train.csv")data_test = pd.read_csv("test.csv")X = data_train.drop(['label'],axis=1).values.reshape(-1, 28, 28, 1).astype('float32')Y = data_train['label'].valuesX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=2)X_train /= 255.0X_test /= 255.0data_test = data_test.values.reshape(-1, 28, 28, 1).astype('float32')/255.0model = Sequential()model.add(Conv2D(32, kernel_size=(3, 3), padding='valid', activation='relu', input_shape=(28, 28, 1)))model.add(MaxPooling2D(pool_size=(2, 2), strides=2, padding='valid'))model.add(Conv2D(32, kernel_size=(3, 3), padding='valid', activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2), strides=2, padding='valid'))model.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dense(10, activation='softmax'))model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])history = model.fit(X_train, Y_train, epochs=10, validation_split=0.2)y_pred =model.predict(data_test).argmax(axis=1)anw = pd.DataFrame({"ImageId": range(1,len(y_pred)+1), "Label": y_pred})anw.to_csv("Submission.csv", index=False)