日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

python神經網絡Keras構建CNN網絡訓練_python

作者：Bubbliiiing ? 更新時間： 2022-06-28 編程語言

利用Keras構建完普通BP神經網絡后，還要會構建CNN

Keras中構建CNN的重要函數

1、Conv2D

Conv2D用于在CNN中構建卷積層，在使用它之前需要在庫函數處import它。

from keras.layers import Conv2D

在實際使用時，需要用到幾個參數。

Conv2D(
    nb_filter = 32,
    nb_row = 5,
    nb_col = 5,
    border_mode = 'same',
    input_shape = (28,28,1)
)

其中，nb_filter代表卷積層的輸出有多少個channel，卷積之后圖像會越來越厚，這就是卷積后圖像的厚度。nb_row和nb_col的組合就是卷積器的大小，這里卷積器是(5,5)的大小。border_mode代表著padding的方式，same表示卷積前后圖像的shape不變。input_shape代表輸入的shape。

2、MaxPooling2D

MaxPooling2D指的是池化層，在使用它之前需要在庫函數處import它。

from keras.layers import MaxPooling2D

在實際使用時，需要用到幾個參數。

MaxPooling2D(
    pool_size = (2,2),
    strides = (2,2),
    border_mode = 'same'
)

其中，pool_size表示池化器的大小，在這里，池化器的shape是(2,2)。strides是池化器的步長，這里在X和Y方向上都是2，池化后，輸出比輸入的shape小了1/2。border_mode代表著padding的方式。

3、Flatten

Flatten用于將卷積池化后最后的輸出變為一維向量，這樣才可以和全連接層連接，用于計算。在使用前需要用import導入。

from keras.layers import Flatten

在實際使用時，在最后一個池化層后直接添加層即可

model.add(Flatten())

全部代碼

這是一個卷積神經網絡的例子，用于識別手寫體，其神經網絡結構如下：

卷積層1->池化層1->卷積層2->池化層2->flatten->全連接層1->全連接層2->全連接層3。

單個樣本的shape如下：

(28,28,1)->(28,28,32)->(14,14,32)->(14,14,64)->(7,7,64)->(3136)->(1024)->(256)

import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Activation,Conv2D,MaxPooling2D,Flatten ## 全連接層
from keras.datasets import mnist
from keras.utils import np_utils
from keras.optimizers import Adam
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28,1)
X_test = X_test.reshape(-1,28,28,1)
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
model = Sequential()
# conv1
model.add(
    Conv2D(
        nb_filter = 32,
        nb_row = 5,
        nb_col = 5,
        border_mode = 'same',
        input_shape = (28,28,1)
    )
)
model.add(Activation("relu"))
# pool1
model.add(
    MaxPooling2D(
        pool_size = (2,2),
        strides = (2,2),
        border_mode = 'same'
    )
)
# conv2
model.add(
    Conv2D(
        nb_filter = 64,
        nb_row = 5,
        nb_col = 5,
        border_mode = 'same'
    )
)
model.add(Activation("relu"))
# pool2
model.add(
    MaxPooling2D(
        pool_size = (2,2),
        strides = (2,2),
        border_mode = 'same'
    )
)
# 全連接層
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation("relu"))
model.add(Dense(256))
model.add(Activation("relu"))
model.add(Dense(10))
model.add(Activation("softmax"))
adam = Adam(lr = 1e-4)
## compile
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
## tarin
print("\ntraining")
cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32)
print("\nTest")
## acc
cost,accuracy = model.evaluate(X_test,Y_test)
## W,b = model.layers[0].get_weights()
print("accuracy:",accuracy)

實驗結果為：

Epoch 1/2
60000/60000 [==============================] - 64s 1ms/step - loss: 0.7664 - acc: 0.9224
Epoch 2/2
60000/60000 [==============================] - 62s 1ms/step - loss: 0.0473 - acc: 0.9858
Test
10000/10000 [==============================] - 2s 169us/step
accuracy: 0.9856

原文鏈接：https://blog.csdn.net/weixin_44791964/article/details/101171576

欄目分類
最近更新