【小白學習kears教程】四、Keras基于數字數據集建立基礎的CNN模型

@Author：Runsen

@[toc]

基本卷積神經網絡（CNN）

-CNN的基本結構：CNN與MLP相似，因為它們只向前傳送信號（前饋網絡），但有CNN特有的不同類型的層

Convolutional layer：在一個小的感受野（即濾波器）中處理數據

Pooling layer：沿2維向下采樣（通常為寬度和高度）

Dense (fully connected) layer：類似于MLP的隱藏層

import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from keras.utils.np_utils import to_categorical

加載數據集

sklearn中的數字數據集

文檔：http://scikit-learn.org/stable/auto_examples/datasets/plot_digits_last_image.html

data = datasets.load_digits() plt.imshow(data.images[0]) # show first number in the dataset plt.show() print('label: ', data.target[0]) # label = '0'

X_data = data.images y_data = data.target # shape of data print(X_data.shape) # (8 X 8) format print(y_data.shape)

# reshape X_data into 3-D format X_data = X_data.reshape((X_data.shape[0], X_data.shape[1], X_data.shape[2], 1)) # one-hot encoding of y_data y_data = to_categorical(y_data)

將數據劃分為列車/測試集

X_train, X_test, y_train, y_test = train_test_split(X_data, y_data, test_size = 0.3, random_state = 777) print(X_train.shape) print(X_test.shape) print(y_train.shape) print(y_test.shape)

from keras.models import Sequential from keras import optimizers from keras.layers import Dense, Activation, Flatten, Conv2D, MaxPooling2D

1.創建模型

創建模型與MLP（順序）相同

model = Sequential()

2.卷積層

通常，二維卷積層用于圖像處理

濾波器的大小（由“kernel\u Size”參數指定）定義感受野的寬度和高度**

過濾器數量（由“過濾器”參數指定）等于下一層的深度

步幅（由“步幅”參數指定）是過濾器每次移動改變位置的距離

圖像可以零填充以防止變得太小（由“padding”參數指定）

Doc: https://keras.io/layers/convolutional/

# convolution layer model.add(Conv2D(input_shape = (X_data.shape[1], X_data.shape[2], X_data.shape[3]), filters = 10, kernel_size = (3,3), strides = (1,1), padding = 'valid'))

3. 激活層

與 MLP 中的激活層相同

一般情況下，也使用relu

Doc: http://cs231n.github.io/assets/cnn/depthcol.jpeg

model.add(Activation('relu'))

4. 池化層

一般使用最大池化方法

減少參數數量

文檔：https://keras.io/layers/pooling/

model.add(MaxPooling2D(pool_size = (2,2)))

5. Dense（全連接層）

卷積和池化層可以連接到密集層

文檔：https://keras.io/layers/core/

# prior layer should be flattend to be connected to dense layers model.add(Flatten()) # dense layer with 50 neurons model.add(Dense(50, activation = 'relu')) # final layer with 10 neurons to classify the instances model.add(Dense(10, activation = 'softmax'))

6. Model compile & train

adam = optimizers.Adam(lr = 0.001) model.compile(loss = 'categorical_crossentropy', optimizer = adam, metrics = ['accuracy']) history = model.fit(X_train, y_train, batch_size = 50, validation_split = 0.2, epochs = 100, verbose = 0) plt.plot(history.history['acc']) plt.plot(history.history['val_acc']) plt.legend(['training', 'validation'], loc = 'upper left') plt.show()

results = model.evaluate(X_test, y_test) print('Test accuracy: ', results[1])

Keras 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。