Tensorflow2.0 卷积神经网络

1.实现一个简单的神经网络

TensorFlow中的一个称为keras的API，Keras使定义神经网络变得非常容易
dense定义一层相连的神经元，一个dense表示一层

优化器是sgd，代表随机梯度下降，损失函数是均方误差 

代表已知数据 

训练在fit命令中进行 ，经历500次训练循环

 

输出预测结果

2.计算机视觉

加载数据，调用load_data方法返回4个列表 

标准化

 

3层神经网络 ，括号中的第一个参数表示神经元的数量，最后一个有10个单元，因为数据集中有10类标签，这里应该匹配，第一层是一个扁平层输入的形状是28x28，因为我们的图像就是28x28，扁平化是将这个28x28的正方形变成一个简单的线性阵列，中间一层是隐藏层有128个神经元

编译模型

 

 

3.使用回调控制训练 

在每个epoch可以回调一个代码函数

现在写一个回调，on_epoch_end函数在结束epoch时调用回调，它也发送一个包含很多关于训练当前状态的log，当前损失率在日志中可用，这里就是在损失函数小于0.4时停止训练

现在调用callback类，首先实例化callback，然后使用回调参数


3.卷积神经网络 

 

conv卷积层，要求Keras为我们生成64个过滤器，过滤器是3x3，激活函数是Relu，意味着负值会被丢弃，最后输入形状和之前一样为28x28，通道是1，即灰度图像

下一层是池化层，取最大值，2x2的池化

检查模型的层，看到图像的旅程，flatten压平就是5个像素x64=1600

 

 

可视化表示过程 ，先打印出前100个测试标签

4.图像处理 

在中实例化一个图片生成器，将rescale传递使其数据标准化，调用目录流方法从目录和子目录中加载图像，将其指向包含图像的子目录的目录，子目录的名称是图片的标签，所以确定你指向的目录是正确的，size使图片大小一致。指定分类类型，是二元分类

 

 

编译模型，二分交叉熵做损失函数，因为是二分类问题，调整学习率来使用RMSprop优化器

  

训练 

使用generater生成器来调用数据集，第一个参数是训练生成器，从训练目录中流式传输图像

upload所有的图像然后循环遍历该集合中所有的图像，调用model.predict传递细节，返回分类数组

 

构建一个人马分类器 

 

编译网络

 

接下来使用图像数据生成器 ，先归一化，接着主目录地址没置到刚刚解压出来的文件位置

训练

 

运行模型