深度学习之CNN：基于TensorFlow的简单示例及说明

深度学习之CNN：基于TensorFlow的简单示例及说明

  本文以MNIST数据为例，介绍了TensorFlow中实现CNN卷积网络的简单示例。文章延续了另一篇文章<<深度学习之LSTM：基于TensorFlow的简单示例及说明>>叙述风格，包含了数据准备，模型设计，模型编译，模型训练和模型保存等机器学习实践的完整步骤流程，适合入门学习。

一、基本流程

  1.数据准备
  通过调用tf.keras.datasets.mnist.load_data()加载MNIST手写数字集，需要注意的是，该数据集的图片大小为$28\ast 28$，黑白单色，即通道$channel=1$，如果用 CIFAR 图像数据集，则其图片大小为$32\ast 32$，通道$channel=3$ (RGB三色)。

# 加载MNIST数据库,图像大小为28*28,黑白单通道
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

  2.模型设计
  此示例中，我们设计了一个滤波器数目为$10$，卷积核大小为$3\ast 3$的只含有单个卷积层的网络，网络结构图如下

# 设计网络结构
model = tf.keras.models.Sequential([
        tf.keras.layers.Conv2D(filters=10,kernel_size=(3,3),activation='relu',input_shape=(28,28,1)),
        tf.keras.layers.Flatten(), # 注意卷积层后面接全连接层前，需插入一个Flatten层，将卷积层的输出张量展平
        tf.keras.layers.Dense(10,activation="sigmoid")
        ],name="CNN")

  在本例中我们添加的卷积层，通过input_shape=(28,28,1)来指定输入数据的形状，因为MNIST数据集的图片大小为$28\ast 28$，且为单色。若采用 CIFAR 数据集，因为其为RGB三色图，且大小为$32\ast 32$,则需设定为input_shape=（32,32,3）；滤波器数目通过filters设定，本例中设为$10$；卷积核的大小则通过kernel_size=(3,3)来设定，这个大小其实也是感受野的大小；感受野的移动步长strides采用了默认的$1\ast 1$。
  卷积层后，我们接了一个 Flatten 层，其实这一层的操作是将经过卷积层后得到的特征映射（多维的）展平为一个一维向量，方便链接到下一个全连接层。这点需要注意，不然卷积层和全连接层是没法直接连接的。
  3.模型编译

# 定义代价函数
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
# 设定模型训练配置
model.compile(optimizer='adam',loss=loss_fn,metrics=['accuracy'])

  编译时，本例设定模型使用的优化器optimizer为Adam，loss损失函数为分类交叉熵函数，metrics模型评估标准为准确性。
  4.模型训练

history = model.fit(x_train,y_train,
                    epochs=10,
                    batch_size=200,
                    validation_data=(x_test,y_test))

  如下是训练过程中的模型输出：
  可以看到每一轮训练完时，训练数据上的损失、准确性和验证数据上的损失和准确性。

二、完整代码

#!/user/bin/env python3
# -*- coding : utf-8 -*-

import tensorflow as tf

def main():
    # 加载MNIST数据库,图像大小为28*28,黑白单通道
    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
    x_train, x_test = x_train / 255.0, x_test / 255.0

    # 设计网络结构
    model = tf.keras.models.Sequential([
            tf.keras.layers.Conv2D(filters=10,kernel_size=(3,2),activation='relu',input_shape=(28,28,1)),
            tf.keras.layers.Flatten(), # 注意卷积层后面接全连接层前，需插入一个Flatten层，将卷积层的输出张量展平
            tf.keras.layers.Dense(10,activation="sigmoid")
            ],name="CNN")
    
    # 定义代价函数
    loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
    
    # 设定模型训练配置
    model.compile(optimizer='adam',loss=loss_fn,metrics=['accuracy'])

    # 训练模型
    history = model.fit(x_train,y_train,
                        epochs=10,
                        batch_size=200,
                        validation_data=(x_test,y_test))

    # 保存模型
    tf.keras.models.save_model(model,filepath='./model/cnn/')
    
if __name__=='__main__':
  main()

三、参考资料

[1] TensorFlow教程之<<卷积神经网络（Convolutional Neural Network, CNN）>>