keras框架下的卷积神经网络分类练习

目标
····掌握keras卷积网络相关API
····掌握卷积网络的构建

卷积网络简介：

卷积神经网络由一个或多个卷积层、池化层以及全连接层等组成。与其他深度学习结构相比，卷积神经网络在图像等方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他浅层或深度神经网络，卷积神经网络需要考量的参数更少
而经典卷积网络AlexNet模型与LexNet模型更为优秀，以后在做介绍。

实践：
使用keras内置数据集CIFAR100类别分类
这个数据集有100种内别，做分类测试很好用

用于构建CNN模型的API

		Conv2D：卷积层
		MaxPool2D：池化层 
		Flatten：压平数据为一维
		Dense: 全连接层

1. 读取Keras内置数据集并处理
   读取数据集:
   从datasets中获取相应的数据集，直接有训练集和测试集
   需要进行形状处理以及归一化

class CNNMnist(object):
    def __init__(self):

        (self.train, self.train_label), (self.test, self.test_label) = \
            keras.datasets.cifar100.load_data()

        self.train = self.train.reshape(-1, 32, 32, 3) / 255.0
        self.test = self.test.reshape(-1, 32, 32, 3) / 255.0

2. 模型编写，设计卷积网络

两层卷积层+两个神经网络层
网络设计：
第一层
卷积：32个filter、大小55、strides=1、padding=“SAME”
激活：Relu
池化：大小2x2、strides2
第二层
卷积：64个filter、大小55、strides=1、padding=“SAME”
激活：Relu
池化：大小2x2、strides2
全连接层

注意：经过每一层图片数据大小的变化需要确定，CIFAR100输入的每批次若干图片数据大小为[None, 32 * 32]，如果要进过卷积计算，需要变成[None, 32, 32, 3]

具体如下：

3. 建立卷积模型

model = keras.Sequential([
        keras.layers.Conv2D(32, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
        keras.layers.Conv2D(64, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
        keras.layers.Flatten(),
        keras.layers.Dense(1024, activation=tf.nn.relu),
        keras.layers.Dense(100, activation=tf.nn.softmax),
    ])

4. 编译并且训练
   编译：优化器optimizers用adam，损失函数使用sparse_categorical_crossentropy, 精确率使用acc内置函数

训练：每批次batchsize为标准32，训练回合epochs设置3000次，超参数实际根据你的数据集来

 def compile(self):

        CNNMnist.model.compile(optimizer=keras.optimizers.Adam(),
                               loss=tf.keras.losses.sparse_categorical_crossentropy,
                               metrics=['accuracy'])
        return None

    def fit(self):

        CNNMnist.model.fit(self.train, self.train_label, epochs=3000, batch_size=32)

        return None

    def evaluate(self):

        test_loss, test_acc = CNNMnist.model.evaluate(self.test, self.test_label)

        print(test_loss, test_acc)
        return None


if __name__ == '__main__':

    cnn = CNNMnist()

    cnn.compile()

    cnn.fit()

    cnn.predict()

    print(CNNMnist.model.summary())