Keras 卷積神經(jīng)網(wǎng)絡(luò)

讓我們將模型從 MPL 修改為卷積神經(jīng)網(wǎng)絡(luò)（CNN），解決我們?cè)缙诘臄?shù)字識(shí)別問題。

CNN可以表示如下：

該模型的核心特征如下

• 輸入層由 (1, 8, 28) 個(gè)值組成。
• 第一層，Conv2D由 32 個(gè)過濾器和內(nèi)核大小為 (3,3) 的“relu”激活函數(shù)組成。
• 第二層，Conv2D由 64 個(gè)過濾器和內(nèi)核大小為 (3,3) 的“relu”激活函數(shù)組成。
• 第三層，MaxPooling 的池大小為 (2, 2)。
• 第五層，Flatten用于將其所有輸入展平為單一維度。
• 第六層，Dense由 128 個(gè)神經(jīng)元和“relu”激活函數(shù)組成。
• 第七層，Dropout的值為 0.5。
• 第八層也是最后一層由 10 個(gè)神經(jīng)元和“softmax”激活函數(shù)組成。
• 使用 categorical_crossentropy 作為損失函數(shù)。
• 使用 Adadelta() 作為優(yōu)化器。
• 使用 accuracy 作為指標(biāo)。
• 使用 128 作為批量大小。
• 使用 20 作為紀(jì)元。

第 1 步 - 導(dǎo)入模塊

導(dǎo)入必要的模塊。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Flatten 
from keras.layers import Conv2D, MaxPooling2D 
from keras import backend as K 
import numpy as np

第 2 步 - 加載數(shù)據(jù)

導(dǎo)入 mnist 數(shù)據(jù)集。

(x_train, y_train), (x_test, y_test) = mnist.load_data()

第 3 步 - 處理數(shù)據(jù)

根據(jù)我們的模型更改數(shù)據(jù)集，以便將其輸入到我們的模型中。

img_rows, img_cols = 28, 28 


if K.image_data_format() == 'channels_first': 
   x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols) 
   x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols) 
   input_shape = (1, img_rows, img_cols) 
else: 
   x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) 
   x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) 
   input_shape = (img_rows, img_cols, 1) 

   
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 


y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10)

除了輸入數(shù)據(jù)的形狀和圖像格式配置之外，數(shù)據(jù)處理類似于 MPL 模型。

第 4 步 - 創(chuàng)建模型

創(chuàng)建實(shí)際模型。

model = Sequential() 
model.add(Conv2D(32, kernel_size = (3, 3),  
   activation = 'relu', input_shape = input_shape)) 
model.add(Conv2D(64, (3, 3), activation = 'relu')) 
model.add(MaxPooling2D(pool_size = (2, 2))) 
model.add(Dropout(0.25)) model.add(Flatten()) 
model.add(Dense(128, activation = 'relu')) 
model.add(Dropout(0.5)) 
model.add(Dense(10, activation = 'softmax'))

第 5 步 - 編譯模型

使用選定的損失函數(shù)、優(yōu)化器和指標(biāo)來編譯模型。

model.compile(loss = keras.losses.categorical_crossentropy, 
   optimizer = keras.optimizers.Adadelta(), metrics = ['accuracy'])

第 6 步 - 訓(xùn)練模型

使用fit()方法訓(xùn)練模型。

model.fit(
   x_train, y_train, 
   batch_size = 128, 
   epochs = 12, 
   verbose = 1, 
   validation_data = (x_test, y_test)
)

執(zhí)行應(yīng)用程序?qū)⑤敵鲆韵滦畔?

Train on 60000 samples, validate on 10000 samples Epoch 1/12 
60000/60000 [==============================] - 84s 1ms/step - loss: 0.2687 
- acc: 0.9173 - val_loss: 0.0549 - val_acc: 0.9827 Epoch 2/12 
60000/60000 [==============================] - 86s 1ms/step - loss: 0.0899 
- acc: 0.9737 - val_loss: 0.0452 - val_acc: 0.9845 Epoch 3/12 
60000/60000 [==============================] - 83s 1ms/step - loss: 0.0666 
- acc: 0.9804 - val_loss: 0.0362 - val_acc: 0.9879 Epoch 4/12 
60000/60000 [==============================] - 81s 1ms/step - loss: 0.0564 
- acc: 0.9830 - val_loss: 0.0336 - val_acc: 0.9890 Epoch 5/12 
60000/60000 [==============================] - 86s 1ms/step - loss: 0.0472 
- acc: 0.9861 - val_loss: 0.0312 - val_acc: 0.9901 Epoch 6/12 
60000/60000 [==============================] - 83s 1ms/step - loss: 0.0414 
- acc: 0.9877 - val_loss: 0.0306 - val_acc: 0.9902 Epoch 7/12 
60000/60000 [==============================] - 89s 1ms/step - loss: 0.0375 
-acc: 0.9883 - val_loss: 0.0281 - val_acc: 0.9906 Epoch 8/12 
60000/60000 [==============================] - 91s 2ms/step - loss: 0.0339 
- acc: 0.9893 - val_loss: 0.0280 - val_acc: 0.9912 Epoch 9/12 
60000/60000 [==============================] - 89s 1ms/step - loss: 0.0325 
- acc: 0.9901 - val_loss: 0.0260 - val_acc: 0.9909 Epoch 10/12 
60000/60000 [==============================] - 89s 1ms/step - loss: 0.0284 
- acc: 0.9910 - val_loss: 0.0250 - val_acc: 0.9919 Epoch 11/12 
60000/60000 [==============================] - 86s 1ms/step - loss: 0.0287 
- acc: 0.9907 - val_loss: 0.0264 - val_acc: 0.9916 Epoch 12/12 
60000/60000 [==============================] - 86s 1ms/step - loss: 0.0265 
- acc: 0.9920 - val_loss: 0.0249 - val_acc: 0.9922

第 7 步 - 評(píng)估模型

讓我們使用測(cè)試數(shù)據(jù)評(píng)估模型。

score = model.evaluate(x_test, y_test, verbose = 0) 


print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

執(zhí)行上述代碼將輸出以下信息:

Test loss: 0.024936060590433316 
Test accuracy: 0.9922

測(cè)試準(zhǔn)確率為99.22%。我們創(chuàng)建了一個(gè)最佳模型來識(shí)別手寫數(shù)字。

第 8 步- 預(yù)測(cè)

最后，從圖像中預(yù)測(cè)數(shù)字如下:

pred = model.predict(x_test) 
pred = np.argmax(pred, axis = 1)[:5] 
label = np.argmax(y_test,axis = 1)[:5] 


print(pred) 
print(label)

上述應(yīng)用程序的輸出如下:

[7 2 1 0 4] 
[7 2 1 0 4]

兩個(gè)數(shù)組的輸出是相同的，這表明我們的模型正確預(yù)測(cè)了前五個(gè)圖像。