手把手教你用Keras框架写CNN（附全部代码和注解）

最新推荐文章于 2024-08-22 09:07:04 发布
置顶 最新推荐文章于 2024-08-22 09:07:04 发布
阅读量3.5k 收藏 39
点赞数 5
分类专栏： 技术 CNN Keras
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35789702/article/details/107112745
版权
这篇博客通过手把手的方式教你如何使用Keras框架构建一个卷积神经网络（CNN）进行图像识别，以MNIST数据集为例。首先介绍了所需环境和库，接着详细讲解数据预处理、模型搭建、编译及训练过程。最后展示了模型的训练结果，并指出该代码可应用于其他数据集。
摘要由CSDN通过智能技术生成

1:
首先你得准备好Pycharm，Anaconda
然后是第三方类库numpy,tensorflow,matplotlib,keras
Keras框架能简单上手，高度集成，利用这个框架写出来的CNN就可以作图片识别了。我们这里识别minst数据集。
[mnist数据集](链接：https://pan.baidu.com/s/1Jt4p5EYF5mPzhiGGhrMN3A
提取码：mz1w)
mnist数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28像素)，其值为0到1。为简单起见，每个图像都被平展并转换为784(28 * 28)个特征的一维numpy数组。
是长这个样子的：
在这里插入图片描述IDE和数据都有了，下面开始
2.导入库和模块
在这里插导入入图片描述从mnist中加载图像数据
在这里插入图片描述我们可以查看数据的构造
print(x_train.shape)

最低0.47元/天 解锁文章
橙子橘啦
关注
专栏目录
用keras搭建CNN卷积神经网络
罐罐罐子的博客
04-19 4069
CNN的架构 卷积神经网络CNN的结构一般包含这几个层： 1)输入层：用于数据的输入 2)卷积层：使用卷积核进行特征提取和特征映射------>可以多次重复使用 3)激励层：由于卷积也是一种线性运算，因此需要增加非线性映射(也就是激活函数) 4)池化层：进行下采样，对特征图稀疏处理，减少数据运算量----->可以多次重复使用 5）Flatten操作：将二维的向量，拉直为一维的向量，从而可以放入下一层的神经网络中 6)全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失----->D
基于 Keras 搭建 CNN 模型
深入浅出讲透复杂深奥的问题
06-15 447
import numpy as np import matplotlib.pyplot as plt import keras import random, csv from keras import layers, models from keras.models import Model from keras.datasets import mnist from keras.models import load_model, Sequential from keras.preprocessing imp
CNN模型使用Keras实现教程
gitblog_00498的博客
08-22 694
CNN模型使用Keras实现教程 CNN_kerasCNN | Keras/PyTorch | CAPTCHA recognition（卷积神经网络、Keras/PyTorch框架、验证码识别）项目地址:https://gitcode.com/gh_mirrors/cn/CNN_keras 项目介绍 本项目名为CNN_keras，由GitHub用户Skyduy维护，它是一个基于Keras框架实...
基于keras的CNN网络搭建（数字识别为例）
Big___Black的博客
10-13 1584
在这里插入代码片 基于keras的CNN网络搭建（数字识别为例） 本文章可能仅对于有一点机器学习底子的同学有帮助，很多知识点都没有详细的去说明，当然这只是keras搭建一个简单的cnn网络，如果有错误，欢迎大佬指正。一起交流一起进步 导包 from keras.models import Sequential 网络模型实例化，用来存放cnn网络结构 from keras.layers import Deconv2D，MaxPool2D，Dense，Flatten 分别为卷积层，最大值池化层，全
【keras】编写CNN
qq_35559420的博客
02-27 354
学会如何编写CNN，本文给出简单示例并说明操作含义。
Keras 构建CNN
LaiCheng的博客
12-19 857
Keras 构建CNN 一.构建CNN准备 Keras构建CNN准备不像Tensorflow那么繁琐，只需要导入对应的包就行。 from keras.models import Sequential 导入顺序模型，这是Keras最简单的模型Sequential 顺序模型，它由多个网络层线性堆叠。 from keras.layers import Dense,Activation,Conv...
使用keras框架cnn+ctc_loss识别不定长字符图片操作
12-17
我就废话不多说了，大家还是直接看代码吧~ # -*- coding: utf-8 -*- #keras==2.0.5 #tensorflow==1.1.0 import os,sys,string import sys import logging import multiprocessing import time import json import ...
使用Keras构建CNN用于训练和识别MNIST手写数据集（内附完整代码）
caicau的博客
01-08 1748
Keras: 是一个用Python编写的深度学习API，运行在机器学习平台TensorFlow之上。它的开发重点是实现快速实验, 类似于把tensorflow各个模块都集成为一个软件工具包，直接调用就行，简单方便。在这篇文章中，我们将构建一个简单的卷积神经网络(CNN)，并训练它用Keras训练和识别MNIST手写数据集。 MNIST:手写数字图片数据集 CNN: 卷积神经网络 本示例使用的CNN一共有三层神经网络，卷积层(conv)，池化层(pooling)，全连接层(fullyconnec..
使用Keras构建CNN的手写数字识别实现（包含详细的完整的程序和数据）
最新发布
10-08
内容概要：本文详细讲解如何使用 Keras 构建并训练一个用于手写数字识别任务的卷积神经网络模型（基于 MNIST 数据集）从数据准备到训练模型直至模型评估全过程的具体操作指南。 适合人群：有一定 Python 和机器学习...
Keras教程：使用Keras框架的简单教程
02-06
基于Keras框架的深度学习简介。 这些教程是nlintz的直接移植。 基本主题（来自nlint'z github） 线性回归（，） Logistic回归（，） 前馈神经网络（多层感知器）（，） 深度前馈神经网络（具有2个隐藏层Oo的...
keras实现简单CNN框架（mnist数据）
02-22
基于python keras框架实现CNN框架，对mnist数据分类
Keras_CNN网络
10-23
使用tensorflow keras编写的cnn，代码注释详细。。。。。
基于Keras的CNN入门级Python实现（附多个代码）
06-01
该代码基于Keras实现，详细的展现了CNN基本步骤，适合初学者小白使用。包含MNIST、CIFAR、TITANIC三个数据集相关多个代码。
keras_frcnn
09-19
基于keras tensorflow 后端的深度学习分类，以及如何训练和测试
keras学习之cnn
yibo492387的专栏
03-13 504
     今天重点理解了几篇介绍CNN的博文，跑了几个基于keras的cnn的代码样例，只能说实现了对CNN的初窥！      博文：http://blog.csdn.net/qq_25762497/article/details/51052861#t0 从这篇博文里面获取了计算一个维度（宽或高）内一个输出单元里可以有几个隐藏单元的公式 博文：http://blog.csdn.net/u01264...
Keras构建CNN讲解及代码
热门推荐
NotPerfect的博客
01-10 1万+
Keras构建CNN 摘要：keras能够极其简单的构造出CNN网络 使用TensorFlow创建卷积神经网络（CNN）来对MNIST手写数字数据集进行分类的方法很经典。TensorFlow是一款精湛的工具，具有强大的功能和灵活性。然而，对于快速原型制作工作，可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库，旨在流线化构建深度学习网络的过程。事实上，在Te...
keras实现cnn模型代码
Callmebig的博客
02-22 1933
利用keras 实现cnn模型，关键在于： （1）原始数据的处理。（可输入的格式） （2）卷积层、池化层、全连接层的搭建 （3）各层对输入数据的size变化。 1.库的导入 np_utils库中的功能，应该就是对label进行one-hot处理一类的操作。 from models import Sequential 是keras搭建模型的一种框架，Sequential是一系列网络层按顺序构成的栈。 将一些网络层通过.add()堆叠起来，就构成了一个模型。 from models.layers import
深度学习笔记--使用keras创建CNN模型
creator180的博客
08-28 2901
深度学习笔记–使用keras&tensorflow创建模型 keras是基于tensorflow开发的high-level 的API，官方网址地址： https://www.tensorflow.org/guide/keras keras中文网站：https://keras-cn.readthedocs.io/en/latest/ 相比于tensorflow，使用起来代码量更小，...
用Keras框架写出用CNN来进行股票多变量预测的代码
06-11
好的，以下是一个用Keras框架实现的股票多变量预测的CNN模型： ```python import numpy as np import pandas as pd import tensorflow as tf from keras.models import Sequential from keras.layers import Dense, Conv1D, MaxPooling1D, Flatten # 读取数据 data = pd.read_csv('stock_data.csv') # 数据预处理 X = data.iloc[:, 1:-1].values Y = data.iloc[:, -1].values # 数据归一化 X = (X - np.mean(X)) / np.std(X) Y = (Y - np.mean(Y)) / np.std(Y) # 将数据转换为3D数组 X = np.reshape(X, (X.shape[0], X.shape[1], 1)) # 划分训练集和测试集 train_size = int(len(data) * 0.8) test_size = len(data) - train_size train_X, test_X = np.array(X[0:train_size]), np.array(X[train_size:len(X)]) train_Y, test_Y = np.array(Y[0:train_size]), np.array(Y[train_size:len(Y)]) # 定义CNN模型 model = Sequential() model.add(Conv1D(filters=64, kernel_size=2, activation='relu', input_shape=(train_X.shape[1], 1))) model.add(Conv1D(filters=32, kernel_size=2, activation='relu')) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(100, activation='relu')) model.add(Dense(1)) # 编译模型 model.compile(loss='mse', optimizer='adam') # 训练模型 model.fit(train_X, train_Y, epochs=50, batch_size=16, verbose=1) # 测试模型 test_loss = model.evaluate(test_X, test_Y, verbose=0) print('Test loss:', test_loss) # 预测结果 predicted_Y = model.predict(test_X) # 可视化预测结果和真实结果 import matplotlib.pyplot as plt plt.plot(test_Y, color='blue', label='True') plt.plot(predicted_Y, color='red', label='Prediction') plt.legend() plt.show() ``` 其中，`stock_data.csv`是包含多变量股票数据的CSV文件，每行数据包含多个特征和一个标签，如下所示： ``` feat1,feat2,feat3,feat4,feat5,label 0.1,0.2,0.3,0.4,0.5,0.6 0.2,0.3,0.4,0.5,0.6,0.7 ... ``` 该模型包含两个卷积层和一个全连接层，使用均方误差作为损失函数，Adam优化器进行优化。训练过程中，每次使用16个样本进行训练，共进行50个epoch。最终测试集上的损失为`test_loss`。预测结果通过`predicted_Y`得到，可以使用Matplotlib库将预测结果和真实结果进行可视化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值