keras padding_Tensorflow.keras笔记卷积神经网络

Tensorflow.keras笔记-卷积神经网络

cifar10数据集

    1. 载入cifar10数据集

    2. 处理数据，归一化

    3. 数据扩增

    4. 建模

    5. 断点续训

    6. 给图识物

#载入包import tensorflow as tfimport osimport numpy as npfrom matplotlib import pyplot as pltfrom tensorflow.keras.layers import Conv2D,BatchNormalization,Activation,MaxPool2D,Dropout,Flatten,Densefrom tensorflow.keras import Modelnp.set_printoptions(threshold=np.inf)

1-2：载入cifar10数据集，并进行归一化处理

        cifar10数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，另外10000用于测试。

#数据导入处理cifar10 = tf.keras.datasets.cifar10(x_train,y_train),(x_test,y_test) = cifar10.load_data()x_train,x_test = x_train / 255.0, x_test / 255.0

3：建模，卷积神经网络核心是应用卷积层对图片进行特征提取，而后在用全连接层进行神经网络分析。卷积层包含五部分：卷积层(Conv2D)，批标准化(BN)，激活(Activation)，池化层(Pooling)和Dropout。卷积就是采用多个‘CBAPD’提取图片特征。

#建模class Baseline(Model): #继承Model         def __init__(self):        super(Baseline,self).__init__()        self.c1 = Conv2D(filters=6, kernel_size=(5,5), padding='same') #卷积        self.b1 = BatchNormalization() #批标准化        self.a1 = Activation('relu')  #激活函数        self.p1 = MaxPool2D(pool_size=(2,2), strides=2,padding='same') #最大池化        self.d1 = Dropout(0.2) #随机沉默参数        self.flatten = Flatten() #全连接        self.f1 = Dense(128, activation='relu')        self.d2 = Dropout(0.2)        self.f2 = Dense(10, activation='softmax')    def call(self, x):        x = self.c1(x)        x = self.b1(x)        x = self.a1(x)        x = self.p1(x)        x = self.d1(x)        x = self.flatten(x)        x = self.f1(x)        x = self.d2(x)        y = self.f2(x)        return ymodel = Baseline()

4：设置参数，断点续训，数据增强，模型训练。数据增强函数     数据增强采用keras自带的ImageDataGenerator函数

tf.keras.preprocessing.image.ImageDataGenerator(rescale = 所有数据将乘以该数值rotation_range = 随机旋转角度数范围width_shift_range = 随机宽度偏移量height_shift_ragne = 随机高度偏移量horizontal_flip = 是否随机水平翻转zoom_range = 随机缩放的范围[1-n， 1+n])image_gen_train.fit(x_train)model.fit(image_gen_train.flow(x_train,y_train,batch_size=32),...)

断点续训采用回调函数Checkpoint保存模型

#设置参数model.compile(optimizer = 'adam',              loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),              metrics=['sparse_categorical_accuracy'])cp_callback = tf.keras.callbacks.ModelCheckpoint(                       filepath='D:/Python/cifar10/check.skpt',                       save_weight_only=True,                       save_best_only=True)#执行model.fit(x_train,          y_train,batch_size=32,          epochs=5,          validation_data=(x_test,y_test),          validation_freq=1,          callbacks=[cp_callback])

5. 给图识物：采用model.predict()函数识别图片，并输出结果

import matplotlib as pltfrom PIL import Imageclothes = ['T恤', '长裤', '长袖', '裙子', '外套', '凉鞋', '衬衫', '休闲鞋', '包包', '鞋子']for i in range(10):    path = 'D:/1_数据/Python/Tensorflow学习/数据/exam_fashion/' + str(i) + '.jpg'    img = Image.open(path)    img = img.resize((28,28),Image.ANTIALIAS)    img = img.convert('L')    img = np.array(img)    img = 255-img    img = img / 255.0    x_predict = img[tf.newaxis, ...,tf.newaxis]    result = model.predict(x_predict)    pred = tf.argmax(result, axis=1)    num = int(np.array(pred))    print('这件是：{0}_{1}'.format(num,clothes[num]))

学习于↓ 《TensorFlow 2.0深度学习算法实战》 中国大学Mooc链接： https://www.icourse163.org/course/PKU-1002536002 曹健 北京大学 软件与微电子学院