5.5 Keras卷积神经网络实例 --- 搭建模型整体架构& 训练和优化

一、搭建模型整体架构

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()

代码讲解：

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

1、添加第一层：

layers.Conv2D参数详解:

        Init signature:
        layers.Conv2D(
            filters,
            kernel_size,
            ...
            activation=None,
            input_shape,）

filters 要去训练多少个卷积核

kernel_size: 卷积核大小

activation: 非线性化所需要去使用的激活函数

input_shape:输入数据的形状

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

2、添加第二层

        第二层添加的时候就不需要 input_shape 这个参数了，因为默认是去根据上一层输出的形状进行计算。

model.add(layers.MaxPooling2D())

3、添加池化层

        默认参数，无需修改。其中pool_size=(2,2)

model.summary()

4、参看模型参数

疑问：为什么不是28 * 28？

因为Conv2D中参数 Padding = ‘valid' 使得图像像素大小不能用卷积核整除，所以图像会有所损失

 5、将数据扁平化

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

 

 6、添加Dense层

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

输出十个数据，所以最后是10，是多分类问题，所以激活函数是 softmax

上面就是一个十分简单的典型卷积神经网络

 

二、训练和优化

train_label
 
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
)
 
model.fit(train_image, train_label, epochs=10, batch_size=512)

代码讲解：

1、编译阶段：

 根据train_label

发现他是一个顺序编码，所以使用的损失函数是： sparse_categorical_crossentropy

2、训练阶段：

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

3、做出预测

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

test_label[:10]

 4、如何优化

        1）增加卷积层

        2）增加卷积核个数

下面是优化后的模型构建：

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.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D())
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax'))

model.summary()