卷积神经网络简单实现

1.获取数据

使用cifar100数据集,然后进行归一化

class CNNMinst(object):
    def __init__(self):
        # 获取训练测试数据
        (self.x_train, self.y_train), (self.x_test, self.y_test) = cifar100.load_data()
        # 进行数据归一化
        self.x_train = self.x_train / 255.0
        self.x_test = self.x_test / 255.0

2.构建网络

构建两层卷积层加两层全连接层

• 第一层为32个55卷积核，步长为1，padding为same（前后图像大小一致，池化层中这个参数没有作用）。池化层卷积核大小为22，步长为2
• 第二层卷积核为64个，其他一样
• 第一层全连接层为1024个神经元，使用relu作为激活函数
• 因为要做100个分类，所以最后一层为100个神经元

model = keras.models.Sequential([
       #卷积层1：32个5*5*3 的filter，strides=1，padding=“same”
       keras.layers.Conv2D(32,kernel_size=5,strides=1,
                           padding='same',data_format="channels_last",activation=tf.nn.relu),
       #池化层1：2*5的窗口，strides=2
       keras.layers.MaxPool2D(pool_size=2,strides=2,padding='same'),
       #卷积层2：64个5*5*32的filter，strides=1，padding=‘same’
       keras.layers.Conv2D(64,kernel_size=5,strides=1,padding='same'),
       # 池化层2：2*5的窗口，strides=2 [None,8,8,64]
       keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
       # [None,8,8,64] --> [None,8*8*64]
       keras.layers.Flatten(),
       #全连接层神经网络
       # 1024个神经元网络层
       keras.layers.Dense(1024,activation=tf.nn.relu),
       # 100个神经元网络
       keras.layers.Dense(100,activation=tf.nn.softmax)
   ])

3.编译

设置优化器，损失计算和指标

    def compile(self):
       CNNMinst.model.compile(optimizer=tf.keras.optimizers.Adam(),
                               loss=keras.losses.sparse_categorical_crossentropy,
                               metrics=['accuracy'])
       return None

4.训练

设置训练数据，迭代次数和每批数据量大小

    def fit(self):
       CNNMinst.model.fit(self.x_train,self.y_train,epochs=1,batch_size=32)
       return None

5.结果