5.4 Keras卷积神经网络实例 --- 输入数据形状

手写数据集是深度学习中,最基础应用最广泛的数据集。

手写数据集内置在keras中

一)整体代码

import keras
from keras import layers
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

import keras.datasets.mnist as mnist

(train_image, train_label), (test_image, test_label) = mnist.load_data()

train_image.shape, test_image.shape

a = np.array([1, 2, 3])
a.ndim
np.expand_dims(a, axis=-1).ndim

train_image = np.expand_dims(train_image, axis=-1)
train_image.shape

test_image = np.expand_dims(test_image, axis=-1)
test_image.shape

model = keras.Sequential()
model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D())
model.summary()

model.add(layers.Flatten())
model.summary()

model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))
model.summary()

train_label

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
)

model.fit(train_image, train_label, epochs=10, batch_size=512)

import numpy as np
np.argmax(model.predict(test_image[:10]),axis=1)

test_label[:10]

二)代码分析:

train_image.shape, test_image.shape

发现训练图像集有60000个28X28像素的图像。

但是60000,28,28分别对应图像的batch、height、width,只有两个维度,所以下面的操作就是需要去扩张图像的channel维度。(此操作并没有扩张数据)

注1:图像数据的shape 

hight  width   channel

彩色图像:  (h, w, 1)

conv2d:       图片输入的形状: batch(多少张图片), height(图片高度), width(图片宽度), channels 

dense:         输入数据的形状: batch, data

a = np.array([1, 2, 3])
a.ndim
np.expand_dims(a, axis=-1).ndim

上面操作就是将 定义的一个一维数据 [1,2,3] 变为 二维数据 [ [1], [2], [3] ]

        其中 np.expand_dims(a, axis=-1) 的参数axis= -1表示在最后一个维度上进行扩张

某某.ndim是去查看他的维度信息

train_image = np.expand_dims(train_image, axis=-1)
train_image.shape

test_image = np.expand_dims(test_image, axis=-1)
test_image.shape

上面的操作就是去预处睿图片的维度,下面就是预处理训练集和测试集图片后的结果

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络(Convolutional Neural Network,CNN)是一种在图像识别、自然语言处理等领域广泛应用的深度学习模型。在cifar-10图像分类任务中,我们可以使用CNN来实现高效准确的图像分类。 首先,我们需要准备cifar-10数据集。该数据集包含了10个类别的60000张32x32像素的彩色图像,其中50000张用于训练,10000张用于测试。我们可以使用Python的Keras库来加载数据集。 然后,我们可以定义一个CNN模型来对图像进行分类。该模型通常由多个卷积层和池化层组成。卷积层用于提取图像的特征,池化层用于减小特征图的大小。在最后一层之后,我们可以添加一个全连接层和一个softmax层来输出每个类别的概率分布。 下面是一个简单的CNN模型实现: ```python from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense model = Sequential() # 第一层卷积层 model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3))) # 第一层池化层 model.add(MaxPooling2D(pool_size=(2, 2))) # 第二层卷积层 model.add(Conv2D(64, (3, 3), activation='relu')) # 第二层池化层 model.add(MaxPooling2D(pool_size=(2, 2))) # 第三层卷积层 model.add(Conv2D(64, (3, 3), activation='relu')) # 全连接层 model.add(Flatten()) model.add(Dense(64, activation='relu')) model.add(Dense(10, activation='softmax')) ``` 接下来,我们可以编译模型并训练数据集: ```python model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test)) ``` 在训练完成后,我们可以使用测试集对模型进行评估: ```python loss, accuracy = model.evaluate(x_test, y_test) print('Test loss:', loss) print('Test accuracy:', accuracy) ``` 通过调整CNN的架构和超参数,我们可以进一步提高模型的准确率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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