Keras【极简】CNN

Keras上实现卷积神经网络CNN 一、概述及完整代码 本例的代码主要来自Keras自带的example里的mnist_cnn模块,主要用到keras.layers中的Dense, Dropout, Activation, Flatten模块和keras.layers中的Convolution2D,MaxPooling2D。构建一个两层卷积层两层全连接层的简单卷积神经网络,12次循环后可以达到99.25%的准确率,课件CNN的预测 阅读详情

1、极简示例

from keras.datasets import cifar10  # 小图像10分类
from keras.utils import to_categorical  # 独热码
from keras.models import Sequential  # 顺序模型
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

"""数据读取、预处理"""
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train, x_test = x_train / 255, x_test / 255  # 像素值→[0,1]
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

"""创建顺序模型"""
model = Sequential()
# 卷积层:30个3x3的卷积滤波器、ReLU激活
model.add(Conv2D(30, (3, 3), padding='same', activation='relu'))
# 池化层
model.add(MaxPooling2D(pool_size=(2, 2)))
# 平坦化
model.add(Flatten())
# 全连接层:神经元个数、ReLU激活
model.add(Dense(100, activation='relu'))
# 输出层(10分类)
model.add(Dense(10, activation='softmax'))

"""模型编译"""
# 优化器【随机梯度下降】;损失函数【分类交叉熵】;添加度量【精准度】
model.compile('sgd', 'categorical_crossentropy', ['accuracy'])

"""训练"""
model.fit(x_train, y_train, 1000, 2)  # 批量、训练次数

"""模型评估"""
loss, acc = model.evaluate(x_test, y_test, 1000)
print('loss %g  acc %g' % (loss, acc))

2、详细示例

from keras.datasets import cifar10
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D
from keras.utils import plot_model  # conda install pydot
from keras.optimizers import RMSprop  # 优化器
from keras.preprocessing.image import ImageDataGenerator  # 图像生成器
import matplotlib.pyplot as mp

"""数据读取、预处理"""
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
input_shape = x_train.shape[1:]
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)
# 数据增强
batch_size = 100
steps_per_epoch = len(y_train) / batch_size
epochs = 2
idg_train = ImageDataGenerator(
    horizontal_flip=True,
    rescale=1/255).flow(x_train, y_train, batch_size)
idg_test = ImageDataGenerator(
    rescale=1/255).flow(x_test, y_test, batch_size)
del x_train, y_train, x_test, y_test  # 释放内存

"""建模"""
model = Sequential()
model.add(Conv2D(30, (3, 3), activation='relu',
                 input_shape=input_shape))  # 输入尺寸使编译成功))
model.add(MaxPooling2D(pool_size=(2, 2), name='MaxPooling2D'))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))
optimizer = RMSprop(lr=1e-3, decay=1e-6)
model.compile(optimizer, 'categorical_crossentropy', ['acc'])

"""训练"""
history = model.fit_generator(
    idg_train, steps_per_epoch, epochs,
    validation_data=idg_test,
    validation_steps=batch_size)

"""模型可视化"""
model.summary()  # 网络维度
plot_model(model, 'model.png', show_shapes=True,
           show_layer_names=False)  # 网络结构(存图片)

"""损失曲线和精度曲线"""
ls = ['loss', 'val_loss', 'acc', 'val_acc']
hs = [history.history[i] for i in ls]
for i in (0, 1):
    mp.subplot(1, 2, i + 1)
    mp.plot(range(1, epochs + 1), hs[i * 2], 'g', label=ls[i * 2])
    mp.plot(range(1, epochs + 1), hs[i * 2 + 1], label=ls[i * 2 + 1])
    mp.legend()
mp.show()

2.1、内置数据集

from keras.datasets import cifar10  # 10分类小图像
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
print(x_train.shape)  # (50000, 32, 32, 3)
print(y_train.shape)  # (50000, 1)
print(x_test.shape)  # (10000, 32, 32, 3)
print(y_test.shape)  # (10000, 1)
import matplotlib.pyplot as mp, numpy as np
images = np.concatenate([x_train[i] for i in range(9)], axis=1)
mp.imshow(images)
mp.show()

在这里插入图片描述

2.2、图像生成器

from keras.datasets import cifar10
from keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as mp, numpy as np
# 数据读取
(x_train, y_train), _ = cifar10.load_data()
imgs = x_train[:3]
# 图像生成器
idg = ImageDataGenerator(
    rescale=1./255,  # 像素值→[0,1]
    rotation_range=30,  # 旋转角度
    horizontal_flip=True,  # 水平翻转
    width_shift_range=.3,  # 水平偏移
    height_shift_range=.3)  # 垂直偏移
# 可视化
for e, i in enumerate(idg.flow(imgs, shuffle=False), 1):
    if e > 9: break  # 打断死循环
    mp.subplot(1, 9, e)
    mp.axis('off')
    img = np.concatenate(i)
    mp.imshow(img)
mp.show()

在这里插入图片描述

2.3、模型可视化

.summary

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 30, 30, 30)        840       
_________________________________________________________________
MaxPooling2D (MaxPooling2D)  (None, 15, 15, 30)        0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 6750)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 100)               675100    
_________________________________________________________________
dense_2 (Dense)              (None, 10)                1010      
=================================================================
Total params: 676,950
Trainable params: 676,950
Non-trainable params: 0

plot_model(model, show_shapes=True, show_layer_names=False)
在这里插入图片描述

2.4、损失曲线和精度曲线

在这里插入图片描述

3、EarlyStopping设置自动结束

from keras.datasets import cifar10
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D, Dropout
from keras import optimizers
from keras.callbacks import EarlyStopping  # 提早停止训练
import matplotlib.pyplot as mp

"""训练批量和轮数"""
batch_size = 500
epochs = 50  # 总训练轮数
min_delta = .01  # 最小进步,低于该值将被认为没有进步
patience = 5  # 没有进步的训练轮数

"""读数据、预处理"""
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train, x_test = x_train / 255, x_test / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

"""建模"""
model = Sequential()
for i in (32, 64, 128):
    model.add(Conv2D(i, (3, 3), padding='same', activation='relu'))
    model.add(Conv2D(i, (3, 3), padding='same', activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(.25))
model.add(Flatten())
model.add(Dense(1024, activation='relu'))
model.add(Dropout(.5))
model.add(Dense(10, activation='softmax'))
optimizer = optimizers.RMSprop(lr=1e-3, decay=1e-6)
# 模型编译
model.compile(optimizer, 'categorical_crossentropy', ['acc'])
# 拟合(取1%样本用于验证)、自动结束
callback = EarlyStopping('val_acc', min_delta, patience)
history = model.fit(x_train, y_train, batch_size, epochs, verbose=2,
                    callbacks=[callback], validation_split=.01)

"""评估"""
loss, acc = model.evaluate(x_test, y_test, batch_size, verbose=2)
print('loss %g  acc %g' % (loss, acc))
acc = history.history['acc']
val_acc = history.history['val_acc']
mp.plot(range(len(acc)), acc, 'g', label='acc')
mp.plot(range(len(val_acc)), val_acc, label='val_acc')
mp.legend()
mp.show()
encnencn
convolution卷积;盘旋Conv2D二维卷积
util跑龙套;工具regularizer正则化矩阵
dense稠密的flatten铲平vt;变平vi
optimize优化epoch新纪元;时间上的一点
categorical绝对的;分类的sequential连续的
pooling[贸易]联营;池化drop out退学;脱离
validation确认;批准;生效summary摘要
rotation旋转flip筋斗
rescale重新调节shift移动
patience耐性monitor监视器;显示屏;监测
Keras 搭建图片分类 CNN (卷积神经网络) 1. 导入keras from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense 2. Conv2D 构建卷积层。用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射,用于提取某一个特征,过滤器的数量决定了卷积层输出特征个数,或者输出深度。因此,图... 阅读详情

相关推荐

用keras搭建CNN卷积神经网络

CNN的架构 卷积神经网络CNN的结构一般包含这几个层: 1)输入层:用于数据的输入 2)卷积层:使用卷积核进行特征提取和特征映射------>可以多次重复使用 3)激励层:由于卷积也是一种线性运算,因此需要增加非线性映射(也就是激活函数) 4)池化层:进行下采样,对特征图稀疏处理,减少数据运算量----->可以多次重复使用 5)Flatten操作:将二维的向量,拉直为一维的向量,从而可以放入下一层的神经网络中 6)全连接层:通常在CNN的尾部进行重新拟合,减少特征信息的损失----->D

罐罐罐子的博客 4305

深度学习mindspore --- rescale(rescale, shift)

class mindspore.dataset.transforms.vision.c_transforms.Rescale(rescale,shift)[source] Tensor operation torescalethe input image. Parameters rescale(float) –Rescalefactor. shift(float) – Shift factor. 这个函数的意思很多种: 1, rescale是尺度...

my_share的专栏 4080

深度学习:Keras实现卷积神经网络CNN

写在前面 刚刚开始学习keras,就在这里记录一下学习过程啦。 本文为使用卷积神经网络CNN进行mnist手写字符的识别,希望自己就此走进deep learning的大门吧。 keras文档:https://keras.io/zh/ 莫烦python bilibili链接:https://space.bilibili.com/243821484/video 一、代码 keras相关导入 impo...

慢慢慢慢曼 3328

吴恩达团队 Tensorflow课程学习笔记 2-----图像增强

图像增强 train_datagen = ImageDataGenerator(rescale=1./255) 之前学的图像生成器就有图像增强的功能,上面代码中已经完成了一点图像增强的功能----图像加载的时候就可以完成重新缩放 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=40, width_shift_range=0.2, height_shift_range=0.2

Doreenqiuyue的博客 656

基于keras建立简单的CNN

开发环境: Win10 Anaconda3 Python3.6 处理器:AMD A8-7100 Radeon R5,8 Compute Cores 4C+4G 数据集: mnist 准备工作: 安装theano  pip install theano (此处注意最好安装>0.8版本的,不然后面可能出bug) 安装keras pip install keras

Miracle_guy的博客 5231

[Python人工智能] 十八.Keras搭建卷积神经网络及CNN原理详解

从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了Keras实现分类学习,以MNIST数字图片为例进行讲解。本篇文章详细讲解了卷积神经网络CNN原理,并通过Keras编写CNN实现了MNIST分类学习案例。基础性文章,希望对您有所帮助!

杨秀璋的专栏 1万+

深度学习中的正则化(一)

深度学习中的正则化方法

myDarling_的博客 376

卷积神经网络 (CNN) 原理详解与 Keras 实践

卷积神经网络 (Convolutional Neural Network, CNN) 的提出是为了解决传统神经网络的缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比,CNN 依旧能够正确的处理这些图像,因此在对象分类/检测任务中更加有效。在本节中,我们将使用 Keras 构建卷积神经网络模型进行图像分类,介绍 CNN 的基础知识,并构建 CNN 模型。

盼小辉丶的博客 4136

一文解决图片数据集太少的问题:详解KerasImageDataAugmentation各参数

作者 |Professor ho 本文转自Professor ho的知乎专栏 图像深度学习任务中,面对小数据集,我们往往需要利用Image Data Augmentation图像增广技术来扩充我们的数据集,而keras的内置ImageDataGenerator很好地帮我们实现图像增广。但是面对ImageDataGenerator中众多的参数,每个参数

AI科技大本营 9313

卷积神经网络CNN基本原理详解

卷积神经网络(Convolutional Neural Network,简称CNN),是一种前馈神经网络,人工神经元可以响应周围单元,可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

GoppViper的博客 9万+

keras 学习 CNN LSTM

文章目录第一章 keras简介1 简介2 搭建神经网络步骤3 数据格式(data_format)4 模型5 keras源码分析第二章 多层感知器 DNN1、单个神经元2、多层感知机3、怎么训练MLP(BP算法)4、反思5、使用keras构建MLP第二章 CNN卷积神经网络1、CNN理解2、LeNet3、keras构建CNN第三章 RNN循环神经网络1、RNN简介2、...

q742971636的博客 5298

Keras数据增强

数据增强生成器: train_datagen = ImageDataGenerator(rescale=1. / 255, #归一化 rotation_range=10, #旋转角度 width_shift_range=0....

Harrison509的博客 4914

STM32+W5500实战:5分钟搞定FreeModbus TCP移植(附完整代码)

本文详细介绍了如何在STM32微控制器上,结合W5500以太网芯片,快速完成FreeModbus TCP协议栈的移植,构建稳定可靠的工业级Modbus TCP服务器。内容涵盖硬件连接、软件架构、驱动适配、核心移植代码实现及调试优化技巧,旨在提供可直接应用于实际项目的完整解决方案。

life6的博客 879

NVIDIA-Nemotron-3-Nano-30B-A3B-MLX-5bit 许可证与社区指南:可商用吗?常见问题与求助渠道清单

**NVIDIA-Nemotron-3-Nano-30B-A3B-MLX-5bit** 是 NVIDIA Nemotron 3 Nano(30B 总参数 / 约 3B 激活参数 MoE 模型)的 5-bit MLX 量化版,专为 Apple Silicon 优化。本文直接回答新手最关心的问题:**这个模型能商用吗?** 它的许可证是 NVIDIA 自有的 `nvidia-open-model-li

gitblog_00833的博客 378

MOOS-ivp 实验一 MOOS软件的安装与执行

MOOS-ivp实验一 实验一步骤总结 文章目录MOOS-ivp实验一前言一、实验一1.下载软件2.安装必要的插件3.安装后检查4.路径添加5.执行示例文件总结 前言 在moos学习过程中,我觉得最好把学习的每一步骤都总结一下,方便日后进行回顾。moos官网设置了十八个实验,涉及到了moos的各个方面,完成这些实验也是moos入门的好办法。 一、实验一 实验一主要内容仅仅是软件的安装,仅仅这一步就花费了我接近两天的时间。主要问题发生在linux系统的配置问题上。 1.下载软件 svn co https:

weixin_44151170的博客 6673

最新版 Akamai 逆向 风控破解

经过测试,捷星 jetstar.com,德州仪器 ti.com,w6 wizzair.com,还有一些航空公司的都是可以实现一个并发的有需要的可以。

m0_72605044的博客 6628

Keras之00-入门介绍

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34268169的博客 103

ANSYS Discovery 2023R1 入门:手把手教你玩转几何模型参数化(附历史追踪避坑指南)

本文详细介绍了ANSYS Discovery 2023R1中几何模型参数化建模的全流程,包括基础设置、参数化实战技巧及历史追踪避坑指南。通过Workbench集成和智能参数控制,工程师可以高效完成设计迭代,特别适合需要频繁调整几何模型的仿真场景。文章还提供了参数丢失的预防策略和工业应用实例,帮助用户快速掌握这一提升设计效率的核心技能。

weixin_33693070的博客 464

深度学习极简实战:200行代码跑通端到端图像分类

深度学习入门常陷于理论堆砌与环境崩坏的双重困境,而真正可落地的实践需回归‘最小可行认知闭环’——从张量形状理解、数据加载调试到模型轻量部署。本文聚焦图像分类这一基础任务,以NumPy+TensorFlow/Keras极简工具链(仅4个核心包)为载体,详解真实场景中必遇的维度陷阱、HEIC格式报错、梯度消失诊断及TFLite量化部署等关键环节。通过自制噪声数据集、手写数据生成器与三图监控法,将抽象原理锚定在具体报错和可视化反馈上,让转行者、产线工程师与自学学生能在单卡12分钟内亲手训练并部署一个有呼吸的AI模

weixin_30561425的博客 582

TSMaster如何用珠海创芯CAN卡实现高效CAN通信(附完整驱动安装指南)

本文详细介绍了如何使用TSMaster软件与珠海创芯CAN卡实现高效CAN通信,包括驱动安装、系统配置、ControlCAN.dll替换及TSMaster集成配置等关键步骤。通过实战指南和故障排除技巧,帮助工程师快速搭建稳定可靠的CAN通信测试环境,适用于汽车电子和工业控制等领域。

weixin_29201859的博客 482

QGIS插件实战:用百度地图AOI数据做个城市公园分析,从下载到出图全记录

本文详细介绍了如何利用QGIS的百度地图AOI插件进行城市公园分析,从插件安装、数据获取到空间分析与可视化全流程。通过实战案例演示了公园面积统计、服务范围缓冲区分析及专题地图制作,帮助用户高效完成城市绿地评估工作。

weixin_30790841的博客 556

Keras构建CNN讲解及代码

Keras构建CNN 摘要:keras能够极其简单的构造出CNN网络 使用TensorFlow创建卷积神经网络(CNN)来对MNIST手写数字数据集进行分类的方法很经典。TensorFlow是一款精湛的工具,具有强大的功能和灵活性。然而,对于快速原型制作工作,可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库,旨在流线化构建深度学习网络的过程。事实上,在Te...

NotPerfect的博客 1万+

STM32实现简单的智能电子相框

具体的代码案例和详细的代码实现超过5000字,无法在此篇文章中提供。但是,你可以参考STM32的官方文档和相应的图形库和多媒体库的文档,以获得更详细的实现细节和代码示例。对于硬件,我们可以选择使用STM32开发板,如STM32F4 Discovery。对于软件开发环境,我们将使用Keil MDK-ARM作为开发工具,并使用STM32CubeMX进行代码配置。在本文中,我们将使用STM32单片机实现一个简单的智能电子相框,包括显示照片、播放视频和音乐功能。接下来,我们将详细描述实现智能电子相框的步骤。

2401_85625565的博客 1006

深度学习 | CNN原理及Keras实现

CNN原理及Keras实现1 前言2 什么叫卷积神经网络?2.1 应用场景2.2 CNN的网络结构2.2.1 卷积层2.2.2 池化层2.2.3 Flatten层 & Fully Connected Layer2.3 其余的问题3 keras简单介绍及实现简单三层神经网络3.1 导入相关的库3.2 读入数据3.3 搭建网络3.4 编译3.5 拟合模型3.6 绘制损失函数曲线图3.7 预测4...

RUC_Lee的博客 9452

【SemiDrive源码分析】【X9芯片启动流程】11 - freertos_safetyos目录Cortex-R5 DIL2.bin 引导程序源代码分析

【SemiDrive源码分析】【X9芯片启动流程】11 - freertos_safetyos目录Cortex-R5 DIL2.bin 引导程序源代码分析

|~~~热爱生活、努力学习的小伙汁~~~| 2113

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

基于Tensorflow和Keras实现卷积神经网络CNN

文章目录一、环境的配置二、神经网络CNN的介绍三、数据集的准备四、猫狗分类的实例五、参考资料 一、环境的配置 安装Anaconda 详细步骤请参考下面链接: 配置TensorFlow、Keras ①创建一个新的 二、神经网络CNN的介绍 三、数据集的准备 四、猫狗分类的实例 五、参考资料 ...

Harriet的博客 6539

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

上一篇: TensorFlow【极简】CNN
下一篇: Keras【极简】RNN
小基基o_O
博客等级 码龄9年 4414粉丝 467原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

小基基o_O

您的鼓励是我创作的巨大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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