杨永翌

摘 要：近年来，深度学习在图像识别领域获得了巨大成功，各种深度学习框架也随之开源，而Keras框架较于Tensorflow由于其代码易读，模块化设计更加引人注目。文章对比了基于Tensorflow的softmax方法和基于Keras框架下改进的卷积神经网络方法对MNIST数据集识别的准确率，验证结果表明，前者准确率为0.92，后者高达0.98。

关键词：图像识别;Tensorflow;Keras;卷积神经网络

中图分类号：U471.15  文献标识码：A  文章编号：1671-7988（2019）23-101-03

Improvement of MNIST data set Recognition Method Based on Keras Framework

Yang Yongyi

（Chang'an University Automotive Institute， Shaanxi Xian 710064）

Abstract： In recent years， deep learning has achieved great success in the field of image recognition， and various deep learning frameworks have also been open sourced. The Keras framework is more compelling than Tensorflow because of its code-readable and modular design. This paper compares the accuracy of the softmax method based on Tensorflow and the improved convolutional neural network method based on Keras framework to the MNIST dataset. The verification results show that the former has an accuracy of 0.92 and the latter has a maximum of 0.98.

Keywords： Image recognition; Tensorflow; Keras; Convolutional neural network

CLC NO.： U471.15  Document Code： A  Article ID： 1671-7988（2019）23-101-03

前言

图像识别是计算机视觉的重要分支，是计算机对于图像的处理和理解。近年来由于采用深度学习使得图像识别准确率大大提高，使这一领域达到了前所未有的关注，远远领先于传统的图像识别方法，在自动驾驶，人脸识别，车牌识别等方面都有重要作用，未来对人类社会必然有更深远的影响[1]。2012年，浙江大學许可以经典卷积神经网络为基础，构造出大小不同的特征提取过滤器层应用到MNIST数据集，并分析了不同大小滤波器层对实验结果的影响[2]。2015年，王振，高茂庭提出在卷积神经网络中多次应用较小卷积核，大大减少了神经网络训练过程参数数量[3]，能有效提高识别准确率，实验验证了这种结果的可靠性。本文通过对比Softmax回归方法和深度学习方法分别对MNIST数据集中的图像进行识别，结果表明改进后的深度学习模型的图像识别率大大提高。

1 MNIST数据集介绍

MNIST数据集[4]来源于美国国家标准与技术研究所（NIST），如图1所示，由60000张训练数据集，60000张训练标签集，10000张测试数据集，10000张训练标签集组成。

每张图片由28*28共784个像素点组成，每个像素仅用一个灰度值（0，255）之间的数字表示，每张图片均对应一个标签，标签为0-9中的某一数字。……