使用Keras構(gòu)造簡單的CNN網(wǎng)絡(luò)實例

更新時間：2020年06月29日 11:30:20 作者：tina_ttl

這篇文章主要介紹了使用Keras構(gòu)造簡單的CNN網(wǎng)絡(luò)實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

1. 導(dǎo)入各種模塊

基本形式為：

import 模塊名

from 某個文件 import 某個模塊

2. 導(dǎo)入數(shù)據(jù)（以兩類分類問題為例，即numClass = 2）

訓(xùn)練集數(shù)據(jù)data

可以看到，data是一個四維的ndarray

訓(xùn)練集的標簽

3. 將導(dǎo)入的數(shù)據(jù)轉(zhuǎn)化我keras可以接受的數(shù)據(jù)格式

keras要求的label格式應(yīng)該為binary class matrices，所以，需要對輸入的label數(shù)據(jù)進行轉(zhuǎn)化，利用keras提高的to_categorical函數(shù)

label = np_utils.to_categorical(label, numClass

此時的label變?yōu)榱巳缦滦问?/p>

（注：PyCharm無法顯示那么多的數(shù)據(jù)，所以下面才只顯示了1000個數(shù)據(jù)，實際上該例子所示的數(shù)據(jù)集有1223個數(shù)據(jù)）

4. 建立CNN模型

以下圖所示的CNN網(wǎng)絡(luò)為例

#生成一個model
model = Sequential()
 
#layer1-conv1
model.add(Convolution2D(16, 3, 3, border_mode='valid',input_shape=data.shape[-3:]))
model.add(Activation('tanh'))#tanh
 
# layer2-conv2
model.add(Convolution2D(32, 3, 3, border_mode='valid'))
model.add(Activation('tanh'))#tanh
 
# layer3-conv3
model.add(Convolution2D(32, 3, 3, border_mode='valid'))
model.add(Activation('tanh'))#tanh
 
# layer4
model.add(Flatten())
model.add(Dense(128, init='normal'))
model.add(Activation('tanh'))#tanh
 
# layer5-fully connect
model.add(Dense(numClass, init='normal')) 
model.add(Activation('softmax'))

# 
sgd = SGD(l2=0.1,lr=0.001, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")

5. 開始訓(xùn)練model

利用model.train_on_batch或者model.fit

補充知識：keras 多分類一些函數(shù)參數(shù)設(shè)置

用Lenet-5 識別Mnist數(shù)據(jù)集為例子：

采用下載好的Mnist數(shù)據(jù)壓縮包轉(zhuǎn)換成PNG圖片數(shù)據(jù)集,加載圖片采用keras圖像預(yù)處理模塊中的ImageDataGenerator。

首先import所需要的模塊

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Model
from keras.layers import MaxPooling2D,Input,Convolution2D
from keras.layers import Dropout, Flatten, Dense
from keras import backend as K

定義圖像數(shù)據(jù)信息及訓(xùn)練參數(shù)

img_width, img_height = 28, 28 
train_data_dir = 'dataMnist/train' #train data directory
validation_data_dir = 'dataMnist/validation'# validation data directory
nb_train_samples = 60000 
nb_validation_samples = 10000
epochs = 50 
batch_size = 32

判斷使用的后臺

if K.image_dim_ordering() == 'th':
 input_shape = (3, img_width, img_height)
else:
 input_shape = (img_width, img_height, 3)

網(wǎng)絡(luò)模型定義

主要注意最后的輸出層定義

比如Mnist數(shù)據(jù)集是要對0~9這10種手寫字符進行分類，那么網(wǎng)絡(luò)的輸出層就應(yīng)該輸出一個10維的向量，10維向量的每一維代表該類別的預(yù)測概率，所以此處輸出層的定義為：

x = Dense(10,activation='softmax')(x)

此處因為是多分類問題，Dense()的第一個參數(shù)代表輸出層節(jié)點數(shù)，要輸出10類則此項值為10，激活函數(shù)采用softmax，如果是二分類問題第一個參數(shù)可以是1，激活函數(shù)可選sigmoid

img_input=Input(shape=input_shape)
x=Convolution2D(32, 3, 3, activation='relu', border_mode='same')(img_input)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)

x=Convolution2D(32,3,3,activation='relu',border_mode='same')(x)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)

x=Convolution2D(64,3,3,activation='relu',border_mode='same')(x)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)

x = Flatten(name='flatten')(x)
x = Dense(64, activation='relu')(x)
x= Dropout(0.5)(x)
x = Dense(10,activation='softmax')(x)
model=Model(img_input,x)


model.compile(loss='binary_crossentropy',
    optimizer='rmsprop',
    metrics=['accuracy'])
model.summary()

利用ImageDataGenerator傳入圖像數(shù)據(jù)集

注意用ImageDataGenerator的方法.flow_from_directory()加載圖片數(shù)據(jù)流時，參數(shù)class_mode要設(shè)為‘categorical'，如果是二分類問題該值可設(shè)為‘binary',另外要設(shè)置classes參數(shù)為10種類別數(shù)字所在文件夾的名字，以列表的形式傳入。

train_datagen = ImageDataGenerator(
 rescale=1. / 255,
 shear_range=0.2,
 zoom_range=0.2,
 horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
 train_data_dir,
 target_size=(img_width, img_height),
 batch_size=batch_size,
 class_mode='categorical', #多分類問題設(shè)為'categorical'
 classes=['0','1','2','3','4','5','6','7','8','9'] #十種數(shù)字圖片所在文件夾的名字
 )

validation_generator = test_datagen.flow_from_directory(
 validation_data_dir,
 target_size=(img_width, img_height),
 batch_size=batch_size,
 class_mode='categorical'
 )

訓(xùn)練和保存模型及權(quán)值

model.fit_generator(
  train_generator,
  samples_per_epoch=nb_train_samples,
  nb_epoch=epochs,
  validation_data=validation_generator,
  nb_val_samples=nb_validation_samples
  )

model.save_weights('Mnist123weight.h5')
model.save('Mnist123model.h5')

至此訓(xùn)練結(jié)束

圖片預(yù)測

注意model.save()可以將模型以及權(quán)值一起保存，而model.save_weights()只保存了網(wǎng)絡(luò)權(quán)值，此時如果要進行預(yù)測，必須定義有和訓(xùn)練出該權(quán)值所用的網(wǎng)絡(luò)結(jié)構(gòu)一模一樣的一個網(wǎng)絡(luò)。

此處利用keras.models中的load_model方法加載model.save()所保存的模型，以恢復(fù)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。

from keras.models import load_model
from keras.preprocessing.image import img_to_array, load_img
import numpy as np
classes=['0','1','2','3','4','5','6','7','8','9']
model=load_model('Mnist123model.h5')
while True:
 img_addr=input('Please input your image address:')
 if img_addr=="exit":
  break
 else:
  img = load_img(img_addr, False, target_size=(28, 28))
  x = img_to_array(img) / 255.0
  x = np.expand_dims(x, axis=0)
  result = model.predict(x)
  ind=np.argmax(result,1)
  print('this is a ', classes[ind])

以上這篇使用Keras構(gòu)造簡單的CNN網(wǎng)絡(luò)實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: