使用TensorFlow、Keras简单搭建CNN网络（数据集为cifar10）

自己的理解加上看的资料，今天先非常简单的搭建网络，算是一个开始，用到的方法结构都是常见的方式，以后逐渐补充改进

迭代10次准确率基本上能达到0.99

#coding:utf-8
#Author:DR
#@Time :2020/10/15 22:31

#导入必要的库
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
import numpy as np
from tensorflow.keras import datasets,layers,models



#数据集的导入
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()  #利用自带数据库导入，此时数据集已经经过处理，训练会快很多

#train_images = train_images.reshape((60000,28,28))  #图片数量及大小
#test_images = test_images.reshape((10000,28,28))

train_images , test_images = train_images / 255.0 , test_images / 255.0  #数据处理映射到【0,1】空间

#模型的搭建
'''
卷积-池化-卷积-池化-卷积-铺平一维-全连接

'''
model = models.Sequential()  #定义模型
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))  #添加卷积层，设定激活函数及输入图片大小
model.add (layers.MaxPooling2D((2,2)))  #最大池化
model.add (layers.Conv2D(64,(3,3),activation = 'relu'))   #卷积核数量调整，直接接收上层信息，不需要设定输入图片大小
model.add (layers.MaxPooling2D((2,2)))
model.add (layers.Conv2D(64,(3,3),activation = 'relu'))
model.add (layers.Flatten())  #数据展开铺平成一维
model.add (layers.Dense(64,activation = 'relu'))
model.add (layers.Dense(10,activation = 'softmax'))   #映射出10个类别
model.summary()   #显示模型结构

#整合数据开始训练

model.compile(optimizer = 'adam',loss = 'sparse_categorical_crossentropy',metrics = ['accuracy'])
'''
优化器为adam,实际为梯度下降函数的变式
损失函数定义为交叉熵损失函数
'''

model.fit(train_images, train_labels, epochs=1)  #整合数据定义训练次数

#设置评估模型，输出精确度

test_loss,test_acc = model.evaluate(test_images,test_labels)
print(test_acc)

非常基础简单，这是学习的开始，加油！