【Keras】学习笔记14：图像识别实例：CIFAR-10分类

简单卷积神经网络

  首先构建一个简单的神经网络（CNN），来验证卷积神经网络在这个数据集上的性能，并以此为基础对网络进行优化，逐步提高模型的准确度。
  数据集中的图像是像素32X32的彩色图片，因此数据中包括红、蓝、绿三个维度，范围是0—255的像素值。在使用数据训练算法前，简单地将数据调到0—1.输出结果具体分为10类，因此需要将其进行one-hot编码，以适用于模型的输出。
  这个简单的卷积神经网络具有两个卷积层、一个池化层、一个Flatten层和一个全连接层，网络拓扑结构如下：
  （1）卷积层，具有32个特征图，感受野大小3X3。
  （2）Dropout层，Dropout概率为20%。
  （3）卷积层，具有32个特征图，感受野大小3X3。
  （4）Dropout层，Dropout概率为20%。
  （5）采样因子（pool_size）为2X2的池化层。
  （6）Flatten层
  （7）具有512个神经元和ReLUctant激活函数的全连接层。
  （8）Dropout层，Dropout概率为50%。
  （9）具有10个神经元的输出层，激活函数为softmax。
  完整代码如下:

import numpy as np
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Flatten
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.optimizers import SGD
from keras.constraints import maxnorm
from keras.utils import np_utils
from keras import backend
backend.set_image_data_format('channels_first')

#设定随机种子
seed = 7
np.random.seed(seed)

#导入数据
(X_train,Y_train),(X_validation,Y_validation) = cifar10.load_data()

#格式化数据到0~1
X_train = X_train.astype('float32')
X_validation = X_validation.astype('float32')
X_train = X_train / 255.0
X_validation = X_validation / 255.0

#进行one-hot编码
Y_train = np_utils.to_categorical(Y_train)
Y_validation = np_utils.to_categorical(Y_validation)
num_classes = Y_train.shape[1]

def create_model():
    model = Sequential()
    model.add(Conv2D(32,(3,3),input_shape=(3,32,32),padding='same',activation='relu',kernel_constraint=maxnorm(3)))
    model.add(Dropout(0.2))
    model.add(Conv2D(32,(3,3),activation='relu',padding='same',kernel_constraint=maxnorm(3)))
    model.add(Dropout(0.2))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Flatten())
    model.add(Dense(512,activation='relu',kernel_constraint=maxnorm(3)))
    model.add(Dropout(0.5))
    model.add(Dense(10,activation='softmax'))
    lrate = 0.01
    decay = lrate / epochs
    sgd = SGD(lr=lrate,momentum=0.9,decay=decay,nesterov=False)
    model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])
    return model

epochs = 25
model = create_model(epochs)
moddel.fit(x=X_train,y=Y_train,epochs=epochs,batch_size=32,verbose=2)
scores = model.evaluate(x=X_validation,y=Y_validation,verbose=0)
print('Accuracy: %.2f%%' %(scores[1] * 100))