目录
前言：
前面介绍了卷积神经网络cnn每类层的搭建方式,接下来将介绍如何完善整个训练模型，分为哪几步，让我们一起看看吧！
以现阶段学习手势识别模型框架搭建为例：
一、加载数据集
从网上下载数据集，数据格式为（12000，20，20，20，1），数据 样本个数为12000，形状为三维（20，20，20），通道数为1（比如RGB通道数为3）。接下来加载数据集：
file_name1=np.load('#数据集存放位置')
x,y=file_name1['data'],file_name1['label']二、定义模型架构
（搭建方式详情请看上一篇分享）
def model():
#cnn
input_shape=layers.Input(shape =(20,20,1))
con=keras.layers.Conv2D(filters=16,kernel_size=3,strides=(1,1),use_bias=True,name='con',padding='same',activation='relu')(input_shape)
pool=layers.MaxPooling2D(pool_size=2,strides=1,padding='same')(con)
fl1=layers.Flatten()(pool)
fc1=layers.Dense(units=64,activation = 'sigmoid')(fl1)
drop1=keras.layers.Dropout(rate=0.1)(fc1)
fc2=layers.Dense(units=64,activation= 'softmax')(drop1)
cnn_model=keras.Model(inputs=input_shape,outputs=drop1)
#rnn
#时序模型 完成一个数据的卷积和循环数据集
time_step=20
input_step=layers.Input(shape=(time_step,20,20,1))
hr=layers.TimeDistributed(cnn_model)(input_step)
gru=keras.layers.GRU(units=128)(hr)
#softmax概率输出
drop2=keras.layers.Dropout(0.1)(gru)
fc3=layers.Dense(units=5 ,activation='softmax')(drop2)
model=Model(inputs= input_step,outputs= fc3)
return model
cnn_rnn_model=model()三、数据预处理
这里只做了解，实践中用到的是下面第四点使用 to_categorical函数转换数据形式为独热编码。
参考文献：
https://www.cnblogs.com/andrewwang/p/10700288.html
图像数据预处理参考：https://baijiahao.baidu.com/s?id=1629482916861132742&wfr=spider&for=pc
四、预处理类标签
k折交叉验证：
参考文献：
K 折交叉验证：关于StratifiedKFold 与 KFold 的区别与联系 - JavaShuo
to_categorical函数：
参考文献：
keras中to_categorical函数解析_文科升的博客-CSDN博客_to_categorical
采用StratifiedKFold方法
kf=StratifiedKFold(n_splits=5,random_state=0,shuffle=True)
hc=1
for train_index,test_index in kf.split(x,y):
x_train=x[train_index]
x_test=x[test_index]
y_train=to_categorical(y[train_index]-2,5)
y_test=to_categorical(y[test_index]-2,5)五、定义回调函数
参考文献：
一、https://blog.csdn.net/qq_35054151/article/details/108364956
二、https://blog.csdn.net/weixin_35811044/article/details/104203535
#使用回调函数 调整学习率，保存最佳性能的模型的权重
#EarlyStopping 防止冗余运行
#采用列表形式
callbacks_list=[
keras.callbacks.EarlyStopping(
monitor='loss',
patience=2,#能够容忍多少个epoch内都没有下降
verbose=1,
mode='min',
restore_best_weights=True),
#ModelCheckpoint 保存最佳模型权重
keras.callbacks.ModelCheckpoint(
filepath='#权重保存为.h5文件的位置',
monitor='accuracy',
mode='max',
save_best_only=True)
]六、编译模型
参考文献：
https://blog.csdn.net/yunfeather/article/details/106461754
cnn_rnn_model.compile(
optimizer=tf.keras.optimizers.RMSprop(),
#分类交叉熵(False概率分布)
loss=tf.keras.losses.CategoricalCrossentropy(from_logits=False),
metrics=['accuracy']
)1.如何选择优化器： https://cloud.tencent.com/developer/article/1083486
RMSProp:https://blog.csdn.net/weixin_39228381/article/details/108511882
2.使用交叉熵损失函数，Keras区分binary_crossentropy(2个类)和categorical_crossentropy(> 2个类)
七、训练集拟合模型
cnn_rnn_model.fit(
x_train,y_train,
epochs=50,
batch_size=25,
callbacks=callbacks_list)八、加载保存好的模型
model1=load_model('#上面训练得到的最佳模型的文件位置')
九、测试集评估模型
score函数评估模型参看：https://zhuanlan.zhihu.com/p/67706712
score=model1.evaluate(x_test,y_test,batch_size=25)评估得到的分数R^2越接近1越好，接近于0说明模型很差、严重过拟合。
总结：
整体完整代码如下：
#头文件
import tensorflow as tf
import numpy as np
from tensorflow import keras
from tensorflow.keras import Model
from tensorflow.keras import layers
from tensorflow.keras.utils import to_categorical
from sklearn.model_selection import StratifiedKFold
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
from tensorflow.keras.callbacks import EarlyStopping
from tensorflow.keras.callbacks import ModelCheckpoint
#定义模型框架
def model():
#cnn
input_shape=layers.Input(shape =(20,20,1))
con=keras.layers.Conv2D(filters=16,kernel_size=3,strides=(1,1),use_bias=True,name='con',padding='same',activation='relu')(input_shape)
pool=layers.MaxPooling2D(pool_size=2,strides=1,padding='same')(con)
fl1=layers.Flatten()(pool)
fc1=layers.Dense(units=64,activation = 'sigmoid')(fl1)
drop1=keras.layers.Dropout(rate=0.1)(fc1)
fc2=layers.Dense(units=64,activation= 'softmax')(drop1)
cnn_model=keras.Model(inputs=input_shape,outputs=drop1)
#rnn
#时序模型
time_step=20
input_step=layers.Input(shape=(time_step,20,20,1))
hr=layers.TimeDistributed(cnn_model)(input_step)
gru=keras.layers.GRU(units=128)(hr)
#softmax概率输出
drop2=keras.layers.Dropout(0.1)(gru)
fc3=layers.Dense(units=5 ,activation='softmax')(drop2)
model=Model(inputs= input_step,outputs= fc3)
return model
cnn_rnn_model=model()
#加载数据集
file_name1=np.load('#数据集存放位置')
x,y=file_name1['data'],file_name1['label']
print(y)
#把数据分割为训练集，验证集，测试集
#K折交叉验证充分利用了数据，StratifiedKFold 保证了数据集划分比例与原数据比例一样，但开销比随机划分要高
kf=StratifiedKFold(n_splits=5,random_state=0,shuffle=True)
hc=1
for train_index,test_index in kf.split(x,y):
x_train=x[train_index]
x_test=x[test_index]
y_train=to_categorical(y[train_index]-2,5)
y_test=to_categorical(y[test_index]-2,5)
#使用回调函数 调整学习率，保存最佳性能的模型的权重
#EarlyStopping 防止冗余运行
callbacks_list=[
keras.callbacks.EarlyStopping(
monitor='loss',
patience=2,#能够容忍多少个epoch内都没有下降
verbose=1,
mode='min',
restore_best_weights=True),
# 'acc'没有单设验证集，‘val_loss'有验证集
#ModelCheckpoint 保存最佳模型权重
keras.callbacks.ModelCheckpoint(
filepath='#权重保存为.h5文件的位置',
monitor='accuracy',
mode='max',
save_best_only=True)
]
#训练模型
cnn_rnn_model.summary()
#配置训练方式
cnn_rnn_model.compile(
optimizer=tf.keras.optimizers.RMSprop(),
#分类交叉熵(False概率分布)
loss=tf.keras.losses.CategoricalCrossentropy(from_logits=False),
metrics=['accuracy']
)
#epochs迭代（更新）50次：一次480个batch,一个batch样本个数25个，总样本数为12000（480*25）
#训练集拟合模型
cnn_rnn_model.fit(
x_train,y_train,
epochs=50,
batch_size=25,
callbacks=callbacks_list)
model1=load_model('#最佳模型保存位置')
score=model1.evaluate(x_test,y_test,batch_size=25)其中代码中的参数要由大量经验才能得到 ，这里将直接参考使用。
下一章任务将学习参数调优~~拜拜
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
