神经网络学习小记录7——利用Keras进行CNN网络构建

超、凢脫俗 2023-10-11 10:19 40阅读 0赞

### 神经网络学习小记录7——利用Keras进行CNN网络构建 ###

*  学习前言
 *  Keras中构建CNN的重要函数
 *   *  1、Conv2D
     *  2、MaxPooling2D
     *  3、Flatten
 *  全部代码

# 学习前言 #

利用Keras构建完普通BP神经网络后，还要会构建CNN。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

# Keras中构建CNN的重要函数 #

## 1、Conv2D ##

Conv2D用于在CNN中构建卷积层，在使用它之前需要在库函数处import它。

from keras.layers import Conv2D

在实际使用时，需要用到几个参数。

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

其中，nb\_filter代表卷积层的输出有多少个channel，卷积之后图像会越来越厚，这就是卷积后图像的厚度。nb\_row和nb\_col的组合就是卷积器的大小，这里卷积器是(5,5)的大小。border\_mode代表着padding的方式，same表示卷积前后图像的shape不变。input\_shape代表输入的shape。

## 2、MaxPooling2D ##

MaxPooling2D指的是池化层，在使用它之前需要在库函数处import它。

from keras.layers import MaxPooling2D

在实际使用时，需要用到几个参数。

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

其中，pool\_size表示池化器的大小，在这里，池化器的shape是(2,2)。strides是池化器的步长，这里在X和Y方向上都是2，池化后，输出比输入的shape小了1/2。border\_mode代表着padding的方式。

## 3、Flatten ##

Flatten用于将卷积池化后最后的输出变为一维向量，这样才可以和全连接层连接，用于计算。在使用前需要用import导入。

from keras.layers import Flatten

在实际使用时，在最后一个池化层后直接添加层即可

model.add(Flatten())

# 全部代码 #

这是一个卷积神经网络的例子，用于识别手写体，其神经网络结构如下：  
卷积层1->池化层1->卷积层2->池化层2->flatten->全连接层1->全连接层2->全连接层3。  
单个样本的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 ## 全连接层
    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'
        )
    )
    
    # 全连接层
    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)

实验结果为：

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

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: https://img-blog.csdnimg.cn/20190723165901974.jpg#pic_center