一、模型训练数据集
1. 导入所需库
import numpy as np
from sklearn.datasets import fetch_openml
numpy是用于数值计算的库。
fetch_openml是用于从 OpenML 下载数据集的函数。
2. 获取 MNIST 数据集
X, y = fetch_openml('mnist_784', version=1, return_X_y=True)
fetch_openml('mnist_784', version=1, return_X_y=True)从 OpenML 下载 MNIST 数据集。X存储图像数据（784 个特征，28x28 像素的扁平化图像），y存储对应的标签（数字 0 到 9）。
3. 将像素值二值化
X[X > 0] = 1
这行代码将
X中所有大于 0 的像素值设置为 1，二值化处理。这样处理后的图像只有两个值：0（黑色）和 1（白色），有助于简化模型的输入。
4. 保存数据集
np.save("Data/dataset", X)
np.save("Data/class", y)
np.save("Data/dataset", X)将图像数据保存为dataset.npy。
np.save("Data/class", y)将标签数据保存为class.npy。
二、模型训练及预测
1. 导入所需库
import matplotlib.pyplot as plt
import numpy as np
from keras import Sequential
from keras import layers
from keras.api.models import load_model
from sklearn.metrics import f1_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncodermatplotlib.pyplot: 用于绘图和数据可视化。
numpy: 用于处理数组和数据加载。
keras: 用于构建和训练深度学习模型。
sklearn: 提供数据划分和预处理的工具。
f1_score: 用于评估模型性能。
2. 加载数据
X = np.load("Data/dataset.npy", allow_pickle=True)
y = np.load("Data/class.npy", allow_pickle=True)
使用
numpy的load方法加载训练数据 (X) 和标签 (y)。allow_pickle=True允许加载包含对象的数组。
3. One-Hot 编码
onehot = OneHotEncoder(sparse_output=False)
y = onehot.fit_transform(y.reshape(-1, 1))
OneHotEncoder: 将标签转换为独热编码格式，方便用于分类任务。每个标签会被转换为一个二进制数组。
4. 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(X, y, random_state=14)使用
train_test_split将数据集分为训练集和测试集，通常使用 70%-80% 的数据用于训练，其余用于测试。
5. 构建模型
model = Sequential()
model.add(layers.Dense(100, activation='relu', input_shape=(x_train.shape[1],)))
model.add(layers.Dense(y.shape[1], activation='softmax')) Sequential: 表示模型是线性的，按顺序堆叠各个层。
Dense: 添加全连接层，第一层有 100 个神经元，使用 ReLU 激活函数；第二层为输出层，使用 Softmax 激活函数，适合多类分类任务。
6. 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])使用 Adam 优化器，损失函数为交叉熵（适合多分类），并监控准确率。
7. 训练模型
model.fit(x_train, y_train, epochs=100, batch_size=32, verbose=1)训练模型 100 个周期，批量大小为 32，
verbose=1表示输出训练过程的信息。
8. 评估模型
predictions = model.predict(x_test)
predictions_classes = np.argmax(predictions, axis=1)
y_test_classes = np.argmax(y_test, axis=1)print("F-score: {0:.2f}".format(f1_score(y_test_classes, predictions_classes, average='micro')))
使用测试集进行预测，并计算 F-score 作为评估指标。
np.argmax用于获取每个样本预测概率最高的类。
9. 保存模型
model.save("my_model.h5")
将训练好的模型保存到文件
my_model.h5中，以便后续加载和使用。
10. 加载模型
loaded_model = load_model("my_model.h5")
加载之前保存的模型，以便进行预测。
11. 进行预测
predictions = loaded_model.predict(x_test)
使用加载的模型对测试集进行预测，获取每个样本的预测结果。
12. 获取预测和真实标签
y_pred_classes = np.argmax(predictions, axis=1)
y_test_classes = np.argmax(y_test, axis=1)
使用
np.argmax从预测结果和真实标签中获取每个样本的类别索引。
13. 可视化预测结果
plt.figure(figsize=(12, 6))for i in range(20):plt.subplot(4, 5, i + 1)plt.imshow(x_test[i].reshape(28, 28), cmap='gray') # 假设输入是28x28的图像plt.title(f'True: {y_test_classes[i]}\nPred: {y_pred_classes[i]}')plt.axis('off')plt.tight_layout()
plt.show()
创建一个图形窗口，设置大小为 12x6。
使用
subplot在 4 行 5 列的网格中绘制 20 个图像。每个子图中显示测试样本的图像、真实标签和预测标签。
imshow将图像进行灰度显示，axis('off')隐藏坐标轴。
tight_layout()调整子图参数，以避免重叠。
show()显示图形。
![[笔记] ffmpeg docker编译环境搭建](https://i-blog.csdnimg.cn/direct/4ca0ed12c4b4496ebf672e19b0fcd5e7.png)
