keras 代码解析——cifar10

最新推荐文章于 2024-06-18 10:09:30 发布
最新推荐文章于 2024-06-18 10:09:30 发布
阅读量1.7k 收藏 1
点赞数 1
分类专栏： # 深度学习 # 机器学习 编程语言 # 图像处理与计算机视觉 文章标签： keros cifar10
我们不生产知识，我们只是互联网的搬运工
本文链接：https://blog.youkuaiyun.com/itnerd/article/details/88892050
版权
本文记录了使用Keras搭建CNN模型并训练CIFAR-10数据集的过程，详细展示了数据预处理、模型搭建及训练过程，并分享了训练过程中遇到的硬件温度问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在笔记本上跑了 4 个 epoch，温度直奔 70 度，还是算了算了

>>> nvidia-smi
Fri Mar 29 14:04:46 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 399.24                 Driver Version: 399.24                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce MX150      WDDM  | 00000000:01:00.0 Off |                  N/A |
| N/A   65C    P3    N/A /  N/A |   1679MiB /  2048MiB |     77%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      9252      C   ...NoSpace\Miniconda3\envs\py36\python.exe N/A      |
+-----------------------------------------------------------------------------+

来解析一下代码吧！

导入包
import keras
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
获取数据

不用自己下载喔

num_classes = 10
model_name = 'cifar10.h5'

# The data, shuffled and split between train and test sets:
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

来看看得到的数据格式：

print('type: ',type(x_train), type(y_train))
print('shape: ',x_train.shape, y_train.shape)

type:  <class 'numpy.ndarray'> <class 'numpy.ndarray'>
shape:  (50000, 32, 32, 3) (50000, 1)

keras 提供的数据源已经是 numpy 的 n 维数组类型了，可以看出训练样本是 50000 张 RGB 3通道 的 32x32大小的图片，训练目标 y 是数字 0-9 之一，表示10中类型。

数据预处理
# 数据预处理，把 0-255的灰度值转成 0-1 之间的浮点数
x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255

# Convert class vectors to binary class matrices.
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

来看看上面两行做了啥

print('shape: ',y_train.shape)

(50000, 10)

原来的标签是一个数，转化后变成了 10 维的 onehot 向量！

CNN模型搭建
model = Sequential()

model.add(Conv2D(32, (3, 3), padding='same', input_shape=x_train.shape[1:]))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(num_classes))
model.add(Activation('softmax'))

model.summary()

# initiate RMSprop optimizer
opt = keras.optimizers.rmsprop(lr=0.001, decay=1e-6)

# train the model using RMSprop
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

上面就是简单地搭积木，选一个优化器

来看看 summary, 总共有 2 million+ 待优化参数！

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 32, 32, 32)        896       
_________________________________________________________________
activation_1 (Activation)    (None, 32, 32, 32)        0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 16, 16, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 16, 16, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 16, 16, 64)        18496     
_________________________________________________________________
activation_2 (Activation)    (None, 16, 16, 64)        0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 8, 8, 64)          0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 8, 8, 64)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 512)               2097664   
_________________________________________________________________
activation_3 (Activation)    (None, 512)               0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 512)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 10)                5130      
_________________________________________________________________
activation_4 (Activation)    (None, 10)                0         
=================================================================
Total params: 2,122,186
Trainable params: 2,122,186
Non-trainable params: 0
_________________________________________________________________
训练模型

用 40 个 epoch 训练

hist = model.fit(x_train, y_train, epochs=40, shuffle=True)
model.save(model_name)
测试模型
# evaluate
loss, accuracy = model.evaluate(x_test, y_test)
print(loss, accuracy)

看看全部输出（暴露渣机器）：

Using TensorFlow backend.
type:  <class 'numpy.ndarray'> <class 'numpy.ndarray'>
shape:  (50000, 32, 32, 3) (50000, 1)
shape:  (50000, 10)
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 32, 32, 32)        896       
_________________________________________________________________
activation_1 (Activation)    (None, 32, 32, 32)        0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 16, 16, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 16, 16, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 16, 16, 64)        18496     
_________________________________________________________________
activation_2 (Activation)    (None, 16, 16, 64)        0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 8, 8, 64)          0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 8, 8, 64)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 512)               2097664   
_________________________________________________________________
activation_3 (Activation)    (None, 512)               0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 512)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 10)                5130      
_________________________________________________________________
activation_4 (Activation)    (None, 10)                0         
=================================================================
Total params: 2,122,186
Trainable params: 2,122,186
Non-trainable params: 0
_________________________________________________________________
Epoch 1/40
2019-03-29 14:32:54.452991: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2019-03-29 14:32:55.125500: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1392] Found device 0 with properties: 
name: GeForce MX150 major: 6 minor: 1 memoryClockRate(GHz): 1.5315
pciBusID: 0000:01:00.0
totalMemory: 2.00GiB freeMemory: 1.62GiB
2019-03-29 14:32:55.125860: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1471] Adding visible gpu devices: 0
2019-03-29 14:32:55.923603: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:952] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-03-29 14:32:55.923860: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:958]      0 
2019-03-29 14:32:55.924038: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:971] 0:   N 
2019-03-29 14:32:55.924334: I C:\users\nwani\_bazel_nwani\ujdkfsks\execroot\org_tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1084] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 1377 MB memory) -> physical GPU (device: 0, name: GeForce MX150, pci bus id: 0000:01:00.0, compute capability: 6.1)

   32/50000 [..............................] - ETA: 1:21:01 - loss: 2.3407 - acc: 0.0312
  160/50000 [..............................] - ETA: 16:34 - loss: 2.9253 - acc: 0.0688  
  288/50000 [..............................] - ETA: 9:21 - loss: 2.6647 - acc: 0.0868 
  384/50000 [..............................] - ETA: 7:08 - loss: 2.5766 - acc: 0.1016
  512/50000 [..............................] - ETA: 5:26 - loss: 2.5025 - acc: 0.1113
  608/50000 [..............................] - ETA: 4:39 - loss: 2.4698 - acc: 0.1184
  736/50000 [..............................] - ETA: 3:54 - loss: 2.4335 - acc: 0.1318
  832/50000 [..............................] - ETA: 3:30 - loss: 2.4112 - acc: 0.1322
  960/50000 [..............................] - ETA: 3:05 - loss: 2.3853 - acc: 0.1427
 1056/50000 [..............................] - ETA: 2:51 - loss: 2.3720 - acc: 0.1402
 1184/50000 [..............................] - ETA: 2:34 - loss: 2.3524 - acc: 0.1402
 1312/50000 [..............................] - ETA: 2:22 - loss: 2.3316 - acc: 0.1418
 1440/50000 [..............................] - ETA: 2:11 - loss: 2.3255 - acc: 0.1431
 1536/50000 [..............................] - ETA: 2:04 - loss: 2.3141 - acc: 0.1432
 1664/50000 [..............................] - ETA: 1:56 - loss: 2.3062 - acc: 0.1436
 1792/50000 [>.............................] - ETA: 1:50 - loss: 2.2897 - acc: 0.1557
 1920/50000 [>.............................] - ETA: 1:44 - loss: 2.2841 - acc: 0.1568
 2016/50000 [>.............................] - ETA: 1:40 - loss: 2.2727 - acc: 0.1602
 2144/50000 [>.............................] - ETA: 1:35 - loss: 2.2627 - acc: 0.1651
 ...
46656/50000 [==========================>...] - ETA: 2s - loss: 1.5545 - acc: 0.4408
46784/50000 [===========================>..] - ETA: 2s - loss: 1.5538 - acc: 0.4410
46880/50000 [===========================>..] - ETA: 1s - loss: 1.5532 - acc: 0.4413
47008/50000 [===========================>..] - ETA: 1s - loss: 1.5527 - acc: 0.4415
47104/50000 [===========================>..] - ETA: 1s - loss: 1.5520 - acc: 0.4416
47232/50000 [===========================>..] - ETA: 1s - loss: 1.5516 - acc: 0.4418
47360/50000 [===========================>..] - ETA: 1s - loss: 1.5509 - acc: 0.4420
47488/50000 [===========================>..] - ETA: 1s - loss: 1.5504 - acc: 0.4422
47616/50000 [===========================>..] - ETA: 1s - loss: 1.5502 - acc: 0.4423
47744/50000 [===========================>..] - ETA: 1s - loss: 1.5499 - acc: 0.4425
47840/50000 [===========================>..] - ETA: 1s - loss: 1.5490 - acc: 0.4428
47968/50000 [===========================>..] - ETA: 1s - loss: 1.5484 - acc: 0.4429
48096/50000 [===========================>..] - ETA: 1s - loss: 1.5480 - acc: 0.4432
48224/50000 [===========================>..] - ETA: 1s - loss: 1.5470 - acc: 0.4436
48352/50000 [============================>.] - ETA: 1s - loss: 1.5462 - acc: 0.4439
48480/50000 [============================>.] - ETA: 0s - loss: 1.5461 - acc: 0.4440
48608/50000 [============================>.] - ETA: 0s - loss: 1.5458 - acc: 0.4442
48736/50000 [============================>.] - ETA: 0s - loss: 1.5443 - acc: 0.4446
48832/50000 [============================>.] - ETA: 0s - loss: 1.5440 - acc: 0.4447
48960/50000 [============================>.] - ETA: 0s - loss: 1.5429 - acc: 0.4451
49088/50000 [============================>.] - ETA: 0s - loss: 1.5424 - acc: 0.4453
49216/50000 [============================>.] - ETA: 0s - loss: 1.5414 - acc: 0.4458
49312/50000 [============================>.] - ETA: 0s - loss: 1.5409 - acc: 0.4460
49440/50000 [============================>.] - ETA: 0s - loss: 1.5399 - acc: 0.4464
49568/50000 [============================>.] - ETA: 0s - loss: 1.5394 - acc: 0.4466
49696/50000 [============================>.] - ETA: 0s - loss: 1.5391 - acc: 0.4469
49824/50000 [============================>.] - ETA: 0s - loss: 1.5383 - acc: 0.4472
49952/50000 [============================>.] - ETA: 0s - loss: 1.5377 - acc: 0.4474
50000/50000 [==============================] - 32s 632us/step - loss: 1.5375 - acc: 0.4476
深入详解神经网络基础知识——理解前馈神经网络（ FNN）、卷积神经网络（CNN）和循环神经网络（RNN）等概念及应用
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
12-16 2650
深入详解神经网络基础知识——理解前馈神经网络（ FNN）、卷积神经网络（CNN）和循环神经网络（RNN）等概念及应用
Cifar-10的Keras实例源码
01-03
Cifar-10的Keras实例源码，在Keras 2.x的环境下亲测可用
keras cnn 代码详解
luoganttcc的博客
10-05 809
keras cnn 代码详解 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Sun Sep 30 18:00:30 2018 这是用keras搭建的简单的cnn 网络 @author: lg """ ## import keras...
Keras-常用代码
周先森爱吃素的博客
08-05 1106
介绍使用Keras过程中常用的代码段。
keras训练cifar10数据集源代码
qq_29462849的博客
06-24 2213
前言 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 首先来看下cifar10数据集： 这里面一共有五个训练文件，一个测试文件。 # -*- coding: utf-8 -*- &amp;quot;&amp;quot;&amp;quot; Created on Sun...
学习keras过程中的练习代码（笔记1）
奔跑的小仙女
07-17 1152
来意莫烦的网易云课程，加上自己的备注。 分类： import numpy as np np.random.seed(1337) # for reproducibility #随机种子 from keras.datasets import mnist from keras.utils import np_utils from keras.models import Sequential from...
深度学习实践：CIFAR-10图像分类项目源码解析
资源摘要信息:"CIFAR分类_分类_cifar10数据集_cifar_cifar10_图像分类_源码" 从标题来看，这份资源主要涉及到深度学习中的一种重要应用——图像分类，并且指定了使用CIFAR-10数据集进行实践。CIFAR-10数据集是一个...
关于CIFAR-10图像分类总结
热门推荐
MirrorN的博客
05-08 1万+
之前一段时间学习深度学习在CIFAR-10数据集上图像分类问题，在此做一点点总结，关于这个问题，网络上已经有很多优秀的资源了，因此，主要是汇总一些博客等资料。 关于图像分类算法的总结 很多网站都转载了这篇文章，文章比较了五种图像分类算法，传统机器学习以及深度学习的方法都有涉及，了解图像分类可以看一看 原文：Image Classification in 5 Methods 翻译等可见：图像分类 |...
cifar10如何导入
02-27
当遇到某些特殊需求无法满足现有解决方案之时，可能就需要回到最初提到的手动构建适合自己的输入管道了——即编辑`cifar10_input.py`文件以适应具体的项目背景。此时建议访问Alex Krizhevsky发布的原始网页文档深入...
CIFAR-10 数据集下载后怎么导入
最新发布
03-28
通过 `tensorflow.keras.datasets.cifar10` 模块可以直接获取训练集和测试集，并将其存储为 NumPy 数组形式以便进一步处理[^2]。 ```python import tensorflow as tf from tensorflow.keras.datasets import cifar...
深度学习 莫烦 Keras源代码
11-15
莫烦深度学习 Python + Keras视频课程的源代码 kerasTUT
Deep Learning with Keras代码
09-21
Deep Learning with Keras代码 Deep Learning with Keras代码 Deep Learning with Keras代码 Deep Learning with Keras代码 Deep Learning with Keras代码 Deep Learning with Keras代码
keras实现VGG16 CIFAR10数据集方式
12-17
我就废话不多说了，大家还是直接看代码吧！ import keras from keras.datasets import cifar10 from keras.preprocessing.image import ImageDataGenerator from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D, BatchNormalization from keras
keras代码集锦
左手coding，右手cooking
07-04 778
keras代码集锦
【Keras-Xception】CIFAR-10
bryant_meng
01-15 1913
系列连载目录 请查看博客 《Paper》 4.1 小节 【Keras】Classification in CIFAR-10 系列连载 学习借鉴 github：BIGBALLON/cifar-10-cnn 知乎专栏：写给妹子的深度学习教程 Xception Caffe 代码：https://github.com/soeaver/caffe-model/edit/master/cls/incep...
2021年中国研究生数学建模竞赛D题——抗乳腺癌候选药物的优化建模
Fo*(Bi)的博客
09-06 3085
乳腺癌是目前世界上最常见，致死率较高的癌症之一。乳腺癌的发展与雌激素受体密切相关，有研究发现，雌激素受体α亚型（Estrogen receptors alpha, ERα）在不超过10%的正常乳腺上皮细胞中表达，但大约在50%-80%的乳腺肿瘤细胞中表达；而对ERα基因缺失小鼠的实验结果表明，ERα确实在乳腺发育过程中扮演了十分重要的角色。目前，抗激素治疗常用于ERα表达的乳腺癌患者，其通过调节雌激素受体活性来控制体内雌激素水平。
深度学习|Keras识别CIFAR-10图像（CNN）
罗罗攀
01-17 1749
数据和方法 CIFAR-10数据集有6000个32×32个彩色图片，50000个训练图片和10000个测试图片。有10个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。 数据下载和处理 数据下载 Keras已经提供了模块用于下载数据，通过一下代码即可完成下载。 from keras.datasets import cifa...
keras实战项目——CIFAR-10 图像分类
datayx的文章
07-04 1286
向AI转型的程序员都关注了这个号????????????大数据挖掘DT机器学习 公众号：datayx我们可以简单的将深度神经网络的模块，分成以下的三个部分，即深度神经网络上游的基于生成...
STM32之基于Keras的神经网络图像分类(Cifar-10数据集)
2301_76539262的博客
06-18 1244
通过自己搭建的神经网络模型，在PC上训练Cifar-10数据集，生成模型文件，将其部署到STM32F4控制器上。测试时，使用串口工具将测试图像的数据发送给STM32，串口输出分类识别结果。
评论
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

颹蕭蕭

白嫖？

¥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