【CAES】卷积神经网络 自编码器 反卷积神经网络 Convolutional Auto-Encoders

最新推荐文章于 2024-02-05 15:28:45 发布
最新推荐文章于 2024-02-05 15:28:45 发布
阅读量4.3k 收藏 34
点赞数 3
文章标签： 机器学习 python 算法 无监督学习 卷积神经网络
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_43158059/article/details/121853690
版权

卷积神经网络自编码器实现与结果分析

（1）实现框架：Keras
（2）数据集：Mnist 手写数字识别
（3）关键代码：

环境配置

使用conda，新建一个keras 和tensorflow的环境

在win cmd 终端中建立一个新的环境
新建用pip安装三个包

C:\Users\TJ619\Downloads\autoencoder-master>conda create -n keras_only python=3.9
(base) C:\Users\TJ619\Downloads\autoencoder-master>conda activate keras_only
(keras_only) C:\Users\TJ619\Downloads\autoencoder-master> conda install pip
(keras_only) C:\Users\TJ619\Downloads\autoencoder-master>pip install keras tensorflow matplotlib
(keras_only) C:\Users\TJ619\Downloads\autoencoder-master>conda list
# packages in environment at C:\Users\TJ619\AppData\Local\Continuum\anaconda3\envs\keras_only:   
#
# Name                    Version                   Build  Channel
absl-py                   1.0.0                    pypi_0    pypi
astunparse                1.6.3                    pypi_0    pypi
ca-certificates           2021.10.26           haa95532_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
cachetools                4.2.4                    pypi_0    pypi
certifi                   2021.10.8        py39haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
charset-normalizer        2.0.9                    pypi_0    pypi
cycler                    0.11.0                   pypi_0    pypi
flatbuffers               2.0                      pypi_0    pypi
fonttools                 4.28.3                   pypi_0    pypi
gast                      0.4.0                    pypi_0    pypi
google-auth               2.3.3                    pypi_0    pypi
google-auth-oauthlib      0.4.6                    pypi_0    pypi
google-pasta              0.2.0                    pypi_0    pypi
grpcio                    1.42.0                   pypi_0    pypi
h5py                      3.6.0                    pypi_0    pypi
idna                      3.3                      pypi_0    pypi
importlib-metadata        4.8.2                    pypi_0    pypi
keras                     2.7.0                    pypi_0    pypi
keras-preprocessing       1.1.2                    pypi_0    pypi
kiwisolver                1.3.2                    pypi_0    pypi
libclang                  12.0.0                   pypi_0    pypi
markdown                  3.3.6                    pypi_0    pypi
matplotlib                3.5.0                    pypi_0    pypi
numpy                     1.21.4                   pypi_0    pypi
oauthlib                  3.1.1                    pypi_0    pypi
openssl                   1.1.1l               h2bbff1b_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
opt-einsum                3.3.0                    pypi_0    pypi
packaging                 21.3                     pypi_0    pypi
pillow                    8.4.0                    pypi_0    pypi
pip                       21.2.4           py39haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
protobuf                  3.19.1                   pypi_0    pypi
pyasn1                    0.4.8                    pypi_0    pypi
pyasn1-modules            0.2.8                    pypi_0    pypi
pyparsing                 3.0.6                    pypi_0    pypi
python                    3.9.7                h6244533_1    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
python-dateutil           2.8.2                    pypi_0    pypi
requests                  2.26.0                   pypi_0    pypi
requests-oauthlib         1.3.0                    pypi_0    pypi
rsa                       4.8                      pypi_0    pypi
setuptools                58.0.4           py39haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
setuptools-scm            6.3.2                    pypi_0    pypi
six                       1.16.0                   pypi_0    pypi
sqlite                    3.36.0               h2bbff1b_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
tensorboard               2.7.0                    pypi_0    pypi
tensorboard-data-server   0.6.1                    pypi_0    pypi
tensorboard-plugin-wit    1.8.0                    pypi_0    pypi
tensorflow                2.7.0                    pypi_0    pypi
tensorflow-estimator      2.7.0                    pypi_0    pypi
tensorflow-io-gcs-filesystem 0.22.0                   pypi_0    pypi
termcolor                 1.1.0                    pypi_0    pypi
tomli                     1.2.2                    pypi_0    pypi
typing-extensions         4.0.1                    pypi_0    pypi
tzdata                    2021e                hda174b7_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
urllib3                   1.26.7                   pypi_0    pypi
vc                        14.2                 h21ff451_1    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
vs2015_runtime            14.27.29016          h5e58377_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
werkzeug                  2.0.2                    pypi_0    pypi
wheel                     0.37.0             pyhd3eb1b0_1    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
wincertstore              0.2              py39haa95532_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
wrapt                     1.13.3                   pypi_0    pypi
zipp                      3.6.0                    pypi_0    pypi

在这里插入图片描述

I）在 Keras 编码中，反卷积的实现代码便是卷积操作，具体解释详见上述博
客。https://blog.csdn.net/quiet_girl/article/details/84579038 。
ii）UpSampling2D()实现的是反平均卷积的操作。
iii) autoencoder.summary()如下：

o enable them in other operations, rebuild TensorFlow with the appropriate compiler fl
Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 input_1 (InputLayer)        [(None, 28, 28, 1)]       0

 conv2d (Conv2D)             (None, 28, 28, 16)        160

 max_pooling2d (MaxPooling2D  (None, 14, 14, 16)       0
 )

 conv2d_1 (Conv2D)           (None, 14, 14, 8)         1160

 max_pooling2d_1 (MaxPooling  (None, 7, 7, 8)          0
 2D)

 conv2d_2 (Conv2D)           (None, 7, 7, 8)           584

 up_sampling2d (UpSampling2D  (None, 14, 14, 8)        0
 )

 conv2d_3 (Conv2D)           (None, 14, 14, 16)        1168

 up_sampling2d_1 (UpSampling  (None, 28, 28, 16)       0
 2D)

 conv2d_4 (Conv2D)           (None, 28, 28, 1)         145

=================================================================
Total params: 3,217
Trainable params: 3,217
Non-trainable params: 0
Non-trainable params: 0
_________________________________________________________________
Epoch 1/20

在这里插入图片描述

整体程序如下

# python3
# -*- coding: utf-8 -*-
# @Author  : ziyue
# @Time    : 2021 12 10
"""
Convolutional Autoencoder.
"""
import numpy as np

from keras.datasets import mnist
from keras.models import Model
from keras.layers import Conv2D, MaxPool2D,Input, UpSampling2D
import matplotlib.pyplot as plt

np.random.seed(33)   # random seed，to reproduce results.



def train(x_train):
    """
    build autoencoder.
    :param x_train:  the train data
    :return: encoder and decoder
    """
    # input placeholder
    input_image = Input(shape=(28, 28, 1))

    # encoding layer
    x = Conv2D(CHANNEL_1, (3, 3), activation='relu', padding="same")(input_image)
    x = MaxPool2D((2, 2), padding='same')(x)
    x = Conv2D(CHANNEL_2, (3, 3), activation='relu', padding='same')(x)
    encoded = MaxPool2D((2, 2), padding='same')(x)

    # decoding layer
    x = Conv2D(CHANNEL_2, (3, 3), activation='relu', padding='same')(encoded)
    x = UpSampling2D((2, 2))(x)
    x = Conv2D(CHANNEL_1, (3, 3),activation='relu', padding='same')(x)
    x = UpSampling2D((2, 2))(x)
    decoded = Conv2D(CHANNEL_OUTPUT, (3, 3), activation='sigmoid', padding='same')(x)

    # build autoencoder, encoder, decoder
    autoencoder = Model(inputs=input_image, outputs=decoded)
    encoder = Model(inputs=input_image, outputs=encoded)

    # compile autoencoder
    autoencoder.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

    autoencoder.summary()

    # training
    # need return history, otherwise can not use history["acc"]
    history_record = autoencoder.fit(x_train, x_train, epochs=EPOCHS, batch_size=BATCH_SIZE, shuffle=True, )

    return encoder, autoencoder, history_record

def plot_accuray(history_record):
    """
    plot the accuracy and loss line.
    :param history_record:
    :return:
    """
    accuracy = history_record.history["accuracy"]
    loss = history_record.history["loss"]
    epochs = range(len(accuracy))
    plt.plot(epochs, accuracy, 'bo', label='Training accuracy')
    plt.title('Training accuracy')
    plt.legend()
    plt.figure()
    plt.plot(epochs, loss, 'bo', label='Training loss')
    plt.title('Training loss')
    plt.legend()
    plt.show()

def show_images(decode_images, x_test):
    """
    plot the images.
    :param decode_images: the images after decoding
    :param x_test: testing data
    :return:
    """
    n = 10
    plt.figure(figsize=(20, 4))
    for i in range(n):
        ax = plt.subplot(2, n, i+1)
        ax.imshow(x_test[i].reshape(28, 28))
        plt.gray()
        ax.get_xaxis().set_visible(False)
        ax.get_yaxis().set_visible(False)

        ax = plt.subplot(2, n, i + 1 + n)
        ax.imshow(decode_images[i].reshape(28, 28))
        plt.gray()
        ax.get_xaxis().set_visible(False)
        ax.get_yaxis().set_visible(False)
    plt.show()



if __name__ == '__main__':
    CHANNEL_1 = 16
    CHANNEL_2 = 8
    CHANNEL_OUTPUT = 1
    EPOCHS = 1
    BATCH_SIZE = 64
    # Step1： load data  x_train: (60000, 28, 28), y_train: (60000,) x_test: (10000, 28, 28), y_test: (10000,)
    (x_train, y_train), (x_test, y_test) = mnist.load_data()

    # Step2: normalize
    x_train = x_train.astype('float32') / 255.
    x_test = x_test.astype('float32') / 255.

    # Step3: reshape data, x_train: (60000, 28, 28, 1), x_test: (10000, 28, 28, 1), one row denotes one sample.
    x_train = x_train.reshape((x_train.shape[0], 28, 28, 1))
    x_test = x_test.reshape((x_test.shape[0], 28, 28, 1))

    # Step4： train
    encoder, autoencoder, history_record = train(x_train=x_train)

    # show images
    decode_images = autoencoder.predict(x_test)
    show_images(decode_images, x_test)
    plot_accuray(history_record)

论文名称：Stacked Convolutional Auto-Encoders for
Hierarchical Feature Extraction

论文地址：https://people.idsia.ch//~ciresan/data/icann2011.pdf
摘要：

我们提出了一种新颖的卷积自动编码器（CAE），用于 无监督特征学习。一堆 CAE 形成一个卷积 神经网络（CNN）。每个 CAE 都使用传统的在线训练 没有额外的正则化项的梯度下降。最大池化 层对于学习生物学上合理的特征是必不可少的 以前的方法发现的那些。用 a 的过滤器初始化 CNN 训练有素的 CAE 堆栈在数字 (MNIST) 和 对象识别 (CIFAR10) 基准。

介绍：

无监督学习方法的主要目的是从未标记的数据中提取普遍有用的特征，检测和去除输入冗余，以及
仅保留数据的基本方面以稳健和有区别的表示。无监督方法已在许多科学中常规使用和工业应用。在神经网络架构的背景下，无监督层可以相互堆叠以构建深层层次结构[7]。输入层激活被馈送到第一层，它馈送下一层，并且
依此类推，对于层次结构中的所有层。可以训练深度架构无监督的逐层时尚，然后通过反向传播进行微调以成为分类器 [9]。无监督初始化倾向于避免局部最小值和提高网络的性能稳定性[6]。

3 卷积自编码器 (CAE) 全连接 AE 和 DAE 都忽略了 2D 图像结构。这不是 只是在处理实际大小的输入时出现问题，而且还引入了 参数中的冗余，迫使每个特征都是全局的（即跨越 整个视野）。然而，视觉和物体识别的趋势采用 最成功的模型 [17,25] 是发现在整个输入中重复的局部特征。 CAE 与传统 AE 的不同之处在于它们的 权重在输入中的所有位置之间共享，从而保持空间局部性。 因此重建是由于基本图像块的线性组合 基于潜在代码。

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

结论
我们介绍了卷积自动编码器，这是一种用于分层特征提取的无监督方法。它学习生物学上合理的过滤器。一个CNN可以由 CAE 堆栈初始化。虽然 CAE 的过完备隐藏表示使学习比标准自动编码器更难，但好的过滤器
如果我们使用最大池化层，就会出现，这是一种强制执行稀疏代码的优雅方式无需通过反复试验设置任何正则化参数。预训练CNN 的性能往往略胜于随机初始化的网络，但始终如一。我们的 CIFAR10 结果是任何在原始数据上训练的无监督方法的最佳结果数据，并接近该基准测试的最佳发布结果.

高山仰止景
关注
  • 3
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
PyTorch深度学习实战（28）——卷积自编码器(Convolutional Autoencoder)
盼小辉丶的博客
12-21 4742
卷积自编码器是一种基于卷积神经网络结构的自编码器，适用于处理图像数据。在本节中，我们介绍了卷积自编码器的模型架构，使用 PyTorch 从零开始实现在 MNIST 数据集上训练了一个简单的卷积自编码器，并使用 t-SNE 技术在二维平面中表示了所有测试图像的潜变量。
卷积自编码器
热门推荐
Sky
03-04 3万+
卷积自编码器利用了传统自编码器的无监督的学习方式，结合了卷积神经网络的卷积和池化操作，从而实现特征提取，最后通过stack，实现一个深层的神经网络。 具体文章可以参考： Masci J, Meier U, Cireşan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction[C]//I
Convolutional Auto-Encoders卷积自编码器（Matlab代码）
07-17
Convolutional Auto-Encoders卷积自编码器的Matlab代码，可以运行caeexamples.m对手写数据mnist_uint8进行训练测试
CAE(Convolutional Auto-Encode) 卷积自编码
Losteng的博客
04-05 3万+
最近复习一下之前看的深度学习的网络，在deeplearning-toolbox中看到一个CAE一时没想起来就看了一下官方的解释 CAE(Convolutional Auto-Encode) 卷积自编码 ，对于这个深度学习的网络的的解释很少。 下面谈一下自己的认识，算是总结吧 CAE(Convolutional Auto-Encode) 卷积自编码 :一种卷积自编码器，其实现的过程与Aut
卷积自编码器（Convolutional Autoencoder）的一个实验
庆志的小徒弟
05-09 1万+
1、卷积自编码器（CAE）的简单介绍 卷积自编码器是自编码器方法的一种延伸，自编码器包括编码和解码，通过将输入的图像进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码（重建的过程）获得输入的重建样本。自编码一般使用NN网络做编码和解码器，卷积自编码器利用卷积网络对图像特征抽取和表示的优异性能，来代替自编码器的NN网络。 当然，很多人也使用MNIST等数据集，使用CAE做图像去噪等...
卷积特征提取
nanqi123的专栏
10-31 1万+
这是关于斯坦福大学的UFLDL（Unsupervised Feature Learning and Deep Learning）中CNN一章的笔记，用来补足Hinton神经网络公开课略过的部分。 概览 前几次练习解决了处理低分辨率图片的问题，比如小块儿的手写数字，这一章将学习如何将这些方法应用到大图片上去。 全连接网络 sparse autoencoder（课程后面会讲）的设计之一是从所有...
Hopfield神经网络和AES结合的超混沌图像加密算法.pdf
09-26
Hopfield神经网络和AES结合的超混沌图像加密算法 Hopfield神经网络是人工神经网络中的一种，通过 Hopfield神经网络可以生成超混沌序列，该序列具有白噪声、伪随机序列和间隔遍历性等混沌序列的统计特性，从而使其...
基于深度残差神经网络的AES密码芯片电磁攻击研究.pdf
09-25
本文研究基于深度残差神经网络的AES密码芯片电磁攻击，提出了一种在完全未知明文、密文及泄露中间值情况下的电磁泄漏攻击方法。该方法使用深度残差神经网络模型对基于现场可编程逻辑门阵列（Field Programmable Gate...
细胞神经网络与改进AES的超混沌图像加密方案.pdf
09-26
本文主要探讨了一种结合细胞神经网络（Cellular Neural Network, CNN）和改进的AES（Advanced Encryption Standard）加密标准的超混沌图像加密方案。在信息化时代，数字图像加密技术成为保护图像信息安全的重要手段...
基于pytorch各种神经网络基础模型复现.zip
05-19
7. **卷积自编码器（Convolutional Autoencoders, CAEs）**：结合了卷积神经网络和自编码器，适用于图像数据的去噪和压缩。 8. **递归自编码器（Recurrent Autoencoders）**：这类自编码器结合了循环神经网络，用于...
Convolutional-Autoencoder:TFLearn制作的卷积自动编码器
05-15
卷积自动编码器 用TFLearn制作的卷积自动编码器。 例子 我在自拍（256 * 256 RGB）上训练了这种“体系结构”，编码的表示形式是原始图像的4％，并仅在一个时期后终止了训练过程。 以下是结果（自拍照取自Google图片搜索 ）： 图片1： 图片2： 图片3： 图片4： 要求 Python 3. * TF学习 Keras，用于评估脚本 用法 训练和数据集准备： 创建一个名称为“ images”的文件夹，不带引号。 在“图像”文件夹中，创建一个名为“ 0”的文件夹。 将要训练的所有图像放在此处。 创建一个名为“ checkpoints”的文件夹。 完毕。 训练： 运行此命令以在images文件夹中的图像上训练卷积自动编码器。 python3 train_autoencoder.py 所有检查点将存储在checkpoints文件夹中。 评估 要评估图像
神经网络与深度学习_神经网络与深度学习_深度学习_
10-02
8. **生成对抗网络**（GANs）和自编码器（AEs）：这两类模型在无监督学习和生成式任务中的应用。 9. **实践案例**：可能包含实际项目案例，如手写数字识别（MNIST）、图像分类（CIFAR-10, ImageNet）等，帮助读者将...
卷积自编码器CAEs
ヤ亽o﹏妳的博客
08-13 8344
https://www.cnblogs.com/cvtoEyes/p/8848815.html https://blog.csdn.net/woshisunwen/article/details/82830022
基于卷积自编码器和图像高斯金字塔的布料缺陷无监督学习与检测方法
hhy_csdn的博客
12-04 7328
基于卷积自编码器和图像金字塔的布料缺陷无监督学习与检测方法 这篇博客是在论文《An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces》的基础上进行了复现，并加入了自己的理解和改进。 布料纹理缺陷检测与纹理学习 因为对缺陷进行标记或像素级分割很困难，缺陷的类型也十分复杂，...
深度学习算法中的自动编码器（Autoencoders）
牛肉胡辣汤
09-20 1532
自动编码器（Autoencoders）是一种无监督学习算法，在深度学习领域中被广泛应用。它可以通过将输入数据进行编码和解码来重构数据，从而学习数据的低维表示。自动编码器可以用于特征提取、降维和数据重建等任务，在图像处理、文本处理和推荐系统等领域都有广泛的应用。自动编码器是一种强大的深度学习算法，可以用于特征提取、降维和数据重建等任务。它的无监督学习特性使得它适用于大量无标签数据的处理。通过合理设计和训练自动编码器，我们可以从数据中挖掘出有用的信息，为后续的机器学习任务提供更好的输入。
使用卷积神经网络构建的自编码器
flyfish
01-05 1711
使用卷积神经网络构建的自编码器 flyfish 环境 Ubuntu18.04 Python 3.6.9 PyTorch 1.3.1 import torch import torchvision import torch.utils.data from torch import nn, optim from torch.nn import functional as F from torchvis...
AutoEncoder自编码器的详情介绍
qq_45377180的博客
11-19 1591
AutoEncoder自编码器的解析AutoEncoder自编码器的解析什么是AutoEncoder自编码器为什么要使用AutoEncoderAutoEncoder的实现步骤自编码器的种类自动编码器原理代码（使用Keras）变分自动编码器原理如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 AutoEnc
如何把稀疏自编码器用在卷积提前特征后进行特征提取
最新发布
牛肉胡辣汤
02-05 518
稀疏自编码器在自编码器的基础上引入了稀疏性约束。稀疏自编码器还被广泛应用于深度学习的预训练阶段，用于初始化深层网络的权重，以提高网络的训练效果。稀疏自编码器（Sparse Autoencoder）是一种无监督学习算法，它可以用于从原始数据中学习到具有较少神经元激活的稀疏表示，以此来发现数据的有用特征。在某些场景下，我们可以将稀疏自编码器和卷积神经网络结合起来，用于特征提取阶段，以提高特征的表达能力和模型的性能。无监督预训练的目的是通过最小化输入和输出之间的重构误差，使稀疏自编码器学习到输入数据的有效表示。
自动编码器与卷积神经网络的结合：一种新的方法
禅与计算机程序设计艺术
12-29 1153
1.背景介绍 自动编码器（Autoencoders）和卷积神经网络（Convolutional Neural Networks，CNNs）都是深度学习领域的重要技术，它们各自在图像处理、语音识别、自然语言处理等领域取得了显著的成果。然而，在实际应用中，我们往往需要结合多种不同的神经网络架构来解决复杂的问题，因为单一的模型可能无法捕捉到数据中的所有特征。
利用R语言编写k折卷积神经网络图像回归算法
05-12
首先，我们需要导入必要的库和数据集。在这里，我们将使用“airquality”数据集来进行图像回归。 ```R library(keras) library(tensorflow) library(dplyr) data("airquality") ``` 接下来，我们需要对数据集进行预处理。由于卷积神经网络需要的输入是图像，因此我们需要将数据集转换为图像。我们可以使用ggplot2库将数据可视化为图像。 ```R library(ggplot2) airquality %>% ggplot(aes(x=Month, y=Day, fill=Ozone)) + geom_tile() + scale_fill_gradient(low="white", high="blue") + theme_void() -> img img <- as.raster(print(img, vp=viewport(width=4, height=4, units="in", clip="on"))) img <- image_to_matrix(img)[,,1] ``` 在这里，我们将“airquality”数据集中的“Month”和“Day”作为图像的横纵坐标，将“Ozone”作为图像的颜色填充。然后，我们使用ggplot2库的“geom_tile”函数将数据可视化为热力图。接下来，我们使用“scale_fill_gradient”函数将颜色映射到白色到蓝色的颜色范围内。最后，我们使用“as.raster”函数将图像转换为光栅图像，并使用“image_to_matrix”函数将其转换为图像矩阵。在这里，我们只使用了R中的一个数据点来生成图像矩阵，但是在实际应用中，我们需要对整个数据集进行相同的操作。 接下来，我们将使用“image_data_generator”函数来生成训练数据和测试数据。在这里，我们将使用5个折叠来进行k折交叉验证。 ```R n_fold <- 5 batch_size <- 16 train_datagen <- image_data_generator( rescale = 1/255, validation_split = 1/n_fold ) train_generator <- flow_images_from_data( img_array = img, generator = train_datagen, batch_size = batch_size, shuffle = TRUE, subset = "training" ) validation_generator <- flow_images_from_data( img_array = img, generator = train_datagen, batch_size = batch_size, shuffle = TRUE, subset = "validation" ) ``` 在这里，我们使用“rescale”参数将图像像素值的范围从0到255缩放到0到1之间。然后，我们使用“validation_split”参数将数据集分成训练集和验证集。接下来，我们使用“flow_images_from_data”函数将数据集转换为可以用于训练的数据生成器。 接下来，我们将定义一个卷积神经网络模型。在这里，我们将使用一个包含3个卷积层和3个池化层的模型。 ```R model <- keras_model_sequential() %>% layer_conv_2d(filters = 32, kernel_size = c(3, 3), activation = "relu", input_shape = dim(img)) %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>% layer_conv_2d(filters = 64, kernel_size = c(3, 3), activation = "relu") %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>% layer_conv_2d(filters = 128, kernel_size = c(3, 3), activation = "relu") %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>% layer_flatten() %>% layer_dense(units = 128, activation = "relu") %>% layer_dropout(rate = 0.5) %>% layer_dense(units = 1, activation = "linear") summary(model) ``` 在这里，我们使用“keras_model_sequential”函数创建了一个序列模型。然后，我们使用“layer_conv_2d”函数添加3个卷积层和“layer_max_pooling_2d”函数添加3个池化层。接下来，我们使用“layer_flatten”函数将卷积层的输出展平，并使用“layer_dense”函数添加2个全连接层。最后，我们使用“layer_dropout”函数添加一个dropout层，并使用“layer_dense”函数添加一个输出层。 在定义好模型后，我们需要编译模型并训练模型。 ```R model %>% compile( optimizer = optimizer_rmsprop(), loss = "mse", metrics = c("mae") ) history <- model %>% fit_generator( generator = train_generator, validation_data = validation_generator, steps_per_epoch = 50, epochs = 10 ) ``` 在这里，我们使用“optimizer_rmsprop”函数作为优化器，并使用“mse”作为损失函数。我们还使用“mae”作为度量指标。然后，我们使用“fit_generator”函数训练模型。在这里，我们使用“train_generator”作为训练数据生成器，使用“validation_generator”作为验证数据生成器，使用“steps_per_epoch”参数指定每个epoch中使用的训练步数，使用“epochs”参数指定训练的epoch数。 最后，我们可以使用“evaluate_generator”函数评估模型的性能。 ```R model %>% evaluate_generator( generator = validation_generator, steps = 50 ) ``` 在这里，我们使用“validation_generator”作为验证数据生成器，并使用“steps”参数指定评估模型时使用的步数。
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

打赏作者

高山仰止景

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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