卷积神经网络案例：中文字体识别——隶书和行楷

一、AlexNet网络结构
1.1 AlexNet介绍：
ImageNet竞赛冠军获得者Hinton和他的学生Krizhevsky Alex于2012年设计。
ImageNet竞赛中第一个使用卷积神经网络的参赛者。
1.2 AlexNet网络结构：8层
卷积层
池化层
卷积层
池化层
卷积层
卷积层
卷积层
池化层
输出层：三个全连接层

1.3 AlexNet创新点：
成功使用ReLU作为CNN的激活函数；
使用Dropout随机忽略一部分神经元，避免模型过拟合；
在CNN中使用重叠的最大值池化(步长小于卷积核)；
提出局部响应归一化层（Local Response Normalization，LRN），后逐渐被BN（Batch Normalization）代替；
使用CUDA加速神经网络的训练，利用了GPU强大的计算能力；
采用了数据增强（Data Augmentation）技术，达到增加样本量的目的。
二、案例：中文字体识别——隶书和行楷
2.1 数据准备

2.2 构造数据生成器
(1) 数据生成器

from keras.preprocessing.image import ImageDataGenerator

IMSIZE=227

validation_generator = ImageDataGenerator(rescale=1./255).flow_from_directory(
    './data/ChineseStyle/test/',
    target_size=(IMSIZE, IMSIZE),
    batch_size=200,
    class_mode='categorical')

train_generator = ImageDataGenerator(rescale=1./255).flow_from_directory(
    './data/ChineseStyle/train',
    target_size=(IMSIZE, IMSIZE),
    batch_size=200,
    class_mode='categorical')

（2）输出图像

from matplotlib import pyplot as plt

plt.figure()
fig,ax = plt.subplots(2,5)
fig.set_figheight(7)
fig.set_figwidth(15)
ax=ax.flatten()
X,Y=next(validation_generator)
for i in range(10): ax[i].imshow(X[i,:,:,:])

2.3 AlexNet代码实现

from keras.layers import Activation,Conv2D, BatchNormalization, Dense
from keras.layers import Dropout, Flatten, Input, MaxPooling2D, ZeroPadding2D
from keras import Model

IMSIZE = 227
input_layer = Input([IMSIZE,IMSIZE,3])
x = input_layer
x = Conv2D(96,[11,11],strides = [4,4], activation = 'relu')(x) 
x = MaxPooling2D([3,3], strides = [2,2])(x)    
x = Conv2D(256,[5,5],padding = "same", activation = 'relu')(x)
x = MaxPooling2D([3,3], strides = [2,2])(x)
x = Conv2D(384,[3,3],padding = "same", activation = 'relu')(x) 
x = Conv2D(384,[3,3],padding = "same", activation = 'relu')(x) 
x = Conv2D(256,[3,3],padding = "same", activation = 'relu')(x) 
x = MaxPooling2D([3,3], strides = [2,2])(x)
x = Flatten()(x)   
x = Dense(4096,activation = 'relu')(x)
x = Dropout(0.5)(x)
x = Dense(4096,activation = 'relu')(x)
x = Dropout(0.5)(x)
x = Dense(2,activation = 'softmax')(x) 
output_layer=x
model=Model(input_layer,output_layer)
model.summary()

2.4 AlexNet编译运行

from keras.optimizers import Adam
model.compile(loss='categorical_crossentropy',optimizer=Adam(lr=0.001),metrics=['accuracy'])
model.fit_generator(train_generator,epochs=20,validation_data=validation_generator)