LeNet-5模型及TensorFlow2.9.0的实现

zz_cry

已于 2024-06-20 17:28:49 修改

阅读量775

点赞数 30

分类专栏：卷积神经网络文章标签： python 深度学习 tensorflow2 神经网络 cnn

于 2024-06-20 17:22:24 首次发布

本文链接：https://blog.csdn.net/zz_cry/article/details/139838310

版权

卷积神经网络专栏收录该内容

1 篇文章 0 订阅

订阅专栏

LeNet-5模型及TensorFlow2.9.0的实现

LeNet-5模型
在这里插入图片描述

LeNet-5共5各部分组成，为两个卷积池化组+3个全连接神经网络组成
其中池化层和激活层无需要学习的参数，所以也可以称做5层神经网络
基于LeNet-5模型写了TensorFlow代码实现

第一层卷积池化组

输入为原始的图像，原始图像的尺寸为 $32 * 32 * 1$
卷积层的过滤器尺寸为 $5 * 5$ ，卷积核为6个，填充为0，步长为1
该层的输出的尺寸为 $(32 - 5 + 0) /1 + 1 = 28$ ，通道数为6
这一个卷积层总共有 $1 * 5 * 5 * 6 + 6 = 156$ 个参数，其中6为偏置项参数个数
该层输出为 $28 * 28 * 6$
该卷积层激活函数使用Relu
(子采样)该层池化使用2*2的最大池化，填充为0,步长为2,进行池化
池化后输出为 $14 * 14 * 6 - > ((28 - 2 + 0) /2 + 1)$

第二层卷积池化组

输入为第一层输出的特征图，尺寸为 $14 * 14 * 6$
卷积层的过滤器尺寸为 $5 * 5$ ，卷积核为16个，填充为0，步长为1
该层的输出的尺寸为 $(14 - 5 + 0) /1 + 1 = 10$ ，通道数为16
这一个卷积层总共有 $6 * 5 * 5 * 16 + 16 = 2, 416$ 个参数，其中16为偏置项参数个数
该层输出为 $10 * 10 * 16$
该卷积层激活函数使用Relu
(子采样)该层池化使用2*2的最大池化，填充为0,步长为2,进行池化
池化后输出为 $5 * 5 * 16 - > ((10 - 2 + 0) /2 + 1)$

第三层全连接层

输入为第二层的输出的特征图，尺寸为 $5 * 5 * 16$
全连接层首先拉伸特征图为一维数据，然后传入全连接层，拉伸后传入特征个数为 $5 * 5 * 16 = 400$ 个
本全连接层（以下简称fc-1层）包含神经元120个
参数个数为： $400 * 120 + 120 = 48, 120$
该全连接层激活函数使用Relu
输出为120个特征值

第四层全连接层

输入为第三层的输出的特征值，共120个
本全连接层（以下简称fc-2层）包含神经元84个
参数个数为： $120 * 84 + 84 = 10, 164$
该卷积层激活函数使用Relu
输出为84个特征值

第五层全连接层

输入为第三层的输出的特征值，共120个
本全连接层（以下简称fc-3层）包含神经元10个（该层位输出层，神经元个数与分类个数一致0-9共10个类别）
参数个数为： $84 * 10 + 10 = 850$
该卷积层激活函数使用softmax
输出为10个概率值，分别对应10各类别的概率情况

实现代码如下

import tensorflow as tf
from tensorflow.keras import Sequential, layers, optimizers,models
import numpy as np

print(tf.__version__)
# 加载数据集
mnist = tf.keras.datasets.mnist
(trainImage, trainLabel),(testImage, testLabel) = mnist.load_data()

for i in [trainImage,trainLabel,testImage,testLabel]:
    print(i.shape)

2.9.0
(60000, 28, 28)
(60000,)
(10000, 28, 28)
(10000,)

MNIST 数据集由手写数字组成，每个数字都是一个灰度图像，尺寸为 $28 * 28$ 像素。
这个尺寸是标准化的，主要考虑到存储空间、计算资源以及数据集的易用性。
由于本文主旨在于复现LeNet网络，故用填充或放大的方式将图片还原至 $32 * 32$ 尺寸

# 划分数据集，整理输入图像格式

# 扩展维度以匹配 Conv2D 层的输入 (28, 28) -> (28, 28, 1)
x_train = trainImage[..., np.newaxis]
x_test = testImage[..., np.newaxis]
# x_train = tf.reshape(trainImage,(60000,28,28,1))
# x_test = tf.reshape(testImage,(10000,28,28,1))

for i in [x_train, trainLabel, x_test, testLabel]:
    print(i.shape)

(60000, 28, 28, 1)
(60000,)
(10000, 28, 28, 1)
(10000,)

# 零填充 (Zero Padding):
x_train_padded = np.pad(x_train, ((0, 0), (2, 2), (2, 2), (0, 0)), mode='constant', constant_values=0)
x_test_padded = np.pad(x_test, ((0, 0), (2, 2), (2, 2), (0, 0)), mode='constant', constant_values=0)

# 使用 TensorFlow 将 28x28 的图像缩放到 32x32
x_train_resized = tf.image.resize(x_train, [32, 32]).numpy()
x_test_resized = tf.image.resize(x_test, [32, 32]).numpy()

for i in [x_train_padded, trainLabel, x_test_padded, testLabel]:
    print(i.shape)
for i in [x_train_resized, trainLabel, x_test_resized, testLabel]:
    print(i.shape)

(60000, 32, 32, 1)
(60000,)
(10000, 32, 32, 1)
(10000,)
(60000, 32, 32, 1)
(60000,)
(10000, 32, 32, 1)
(10000,)

#网络定义
network = models.Sequential([
    # 第一层卷积池化组
    layers.Conv2D(6,
                  (5, 5),
                  activation='relu',# activation 激活函数，如 'relu', 'sigmoid', 'tanh' 等
                  input_shape=(32, 32, 1),# input_shape:输入形状，通常在模型的第一层需要指定。
                  padding='valid',# padding 边缘填充方式，可选 'valid'（不填充）或 'same'（填充以保持输入尺寸）
                  strides=(1, 1)),
    layers.MaxPool2D((2, 2), strides=(2, 2), padding='valid'),
    
    # 第二层卷积池化组
    layers.Conv2D(16, (5, 5), activation='relu', padding='valid', strides=(1, 1)),
    layers.MaxPool2D((2, 2), strides=(2, 2), padding='valid'),
    
    # 拉伸为一维数据，方便给全连接神经网络
    layers.Flatten(),
    
    # 第一层全连接神经网络
    layers.Dense(120, activation='relu'),
    
    # 第二层全连接神经网络
    layers.Dense(84, activation='relu'),
    
    # 第三层全连接神经网络，输出层
    layers.Dense(10, activation='softmax')
])
network.summary()

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_2 (Conv2D)           (None, 28, 28, 6)         156       
                                                                 
 max_pooling2d_1 (MaxPooling  (None, 14, 14, 6)        0         
 2D)                                                             
                                                                 
 conv2d_3 (Conv2D)           (None, 10, 10, 16)        2416      
                                                                 
 max_pooling2d_2 (MaxPooling  (None, 5, 5, 16)         0         
 2D)                                                             
                                                                 
 flatten_1 (Flatten)         (None, 400)               0         
                                                                 
 dense_3 (Dense)             (None, 120)               48120     
                                                                 
 dense_4 (Dense)             (None, 84)                10164     
                                                                 
 dense_5 (Dense)             (None, 10)                850       
                                                                 
=================================================================
Total params: 61,706
Trainable params: 61,706
Non-trainable params: 0
_________________________________________________________________

# 编译模型
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)#定义学习率
network.compile(optimizer=optimizer, # 定义优化器
                loss='sparse_categorical_crossentropy', # 定义损失函数
                metrics=['accuracy'])# 定义评估指标

# 训练模型
network.fit(x_train_padded, trainLabel, epochs=5, validation_split=0.1)#使用CPU跑的，跑个5轮意思一下

Epoch 1/5
1688/1688 [==============================] - 26s 15ms/step - loss: 0.4310 - accuracy: 0.9133 - val_loss: 0.1263 - val_accuracy: 0.9650
Epoch 2/5
1688/1688 [==============================] - 28s 17ms/step - loss: 0.0927 - accuracy: 0.9711 - val_loss: 0.0691 - val_accuracy: 0.9797
Epoch 3/5
1688/1688 [==============================] - 26s 16ms/step - loss: 0.0693 - accuracy: 0.9788 - val_loss: 0.0720 - val_accuracy: 0.9790
Epoch 4/5
1688/1688 [==============================] - 25s 15ms/step - loss: 0.0582 - accuracy: 0.9822 - val_loss: 0.0555 - val_accuracy: 0.9850
Epoch 5/5
1688/1688 [==============================] - 26s 16ms/step - loss: 0.0504 - accuracy: 0.9848 - val_loss: 0.0521 - val_accuracy: 0.9867





<keras.callbacks.History at 0x1610265b320>

# 评估模型
test_loss, test_acc = network.evaluate(x_test_padded, testLabel)
print(f'Test loss: {test_loss}')
print(f'Test accuracy: {test_acc}')

313/313 [==============================] - 2s 6ms/step - loss: 0.0680 - accuracy: 0.9805
Test loss: 0.06804163753986359
Test accuracy: 0.9804999828338623

# 模型保存
network.save('./LeNet_model/lenet_mnist')
print('lenet_mnist model saved')
del network

WARNING:absl:Found untraced functions such as _jit_compiled_convolution_op, _jit_compiled_convolution_op while saving (showing 2 of 2). These functions will not be directly callable after loading.


INFO:tensorflow:Assets written to: ./LeNet_model/lenet_mnist\assets


INFO:tensorflow:Assets written to: ./LeNet_model/lenet_mnist\assets


lenet_mnist model saved

#加载模型
import tensorflow as tf 
from tensorflow import keras 

# 网络加载
model = keras.models.load_model('./LeNet_model/lenet_mnist')
model.summary()

# 继续训练加载的模型
# 假设 train_images 和 train_labels 是训练数据
# train_images 形状为 (None, 32, 32, 1)
# train_labels 形状为 (None,)

# model.fit(train_images, train_labels, epochs=3)

# 评估加载的模型
# 假设 test_images 和 test_labels 是测试数据
# test_images 形状为 (None, 32, 32, 1)
# test_labels 形状为 (None,)

# test_loss, test_acc = model.evaluate(test_images, test_labels)
# print(f'Test accuracy: {test_acc}')

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_2 (Conv2D)           (None, 28, 28, 6)         156       
                                                                 
 max_pooling2d_1 (MaxPooling  (None, 14, 14, 6)        0         
 2D)                                                             
                                                                 
 conv2d_3 (Conv2D)           (None, 10, 10, 16)        2416      
                                                                 
 max_pooling2d_2 (MaxPooling  (None, 5, 5, 16)         0         
 2D)                                                             
                                                                 
 flatten_1 (Flatten)         (None, 400)               0         
                                                                 
 dense_3 (Dense)             (None, 120)               48120     
                                                                 
 dense_4 (Dense)             (None, 84)                10164     
                                                                 
 dense_5 (Dense)             (None, 10)                850       
                                                                 
=================================================================
Total params: 61,706
Trainable params: 61,706
Non-trainable params: 0
_________________________________________________________________

# 使用加载的模型预测数据
# 假设 new_images 是需要预测的新数据
# new_images 形状为 (num_samples, 32, 32, 1)

predictions = model.predict(x_test_padded)
# predictions 形状为 (num_samples, num_classes)，每个样本对应的预测概率
print(predictions.shape)
print(predictions[0])

# 如果你需要具体的类别标签，可以使用以下方法
predicted_classes = tf.argmax(predictions, axis=1)

print(predicted_classes.shape)
print(predicted_classes[0])
print(testLabel[0])

313/313 [==============================] - 2s 6ms/step
(10000, 10)
[1.3117158e-14 1.0117748e-10 3.0029070e-11 7.0179540e-10 1.4930468e-13
 6.9455276e-13 9.2901420e-16 1.0000000e+00 1.1821545e-09 2.3939153e-08]
(10000,)
tf.Tensor(7, shape=(), dtype=int64)
7

zz_cry

关注

30
点赞
踩
16

收藏

觉得还不错? 一键收藏
1
评论
LeNet-5模型及TensorFlow2.9.0的实现

LeNet-5模型LeNet-5共5各部分组成，为两个卷积池化组+3个全连接神经网络组成，也可以称做5层神经网络。本文基于LeNet-5模型写了TensorFlow代码实现。
复制链接

扫一扫