政安晨：【Keras机器学习实践要点】（二十四）—— 使用 ConvMixer 进行图像分类

最新推荐文章于 2025-08-05 19:55:44 发布
最新推荐文章于 2025-08-05 19:55:44 发布
阅读量1.7k 收藏 42
点赞数 26
CC 4.0 BY-SA版权
分类专栏： TensorFlow与Keras机器学习实战 文章标签： 机器学习 keras 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/snowdenkeke/article/details/137589231
本博客介绍了如何使用 ConvMixer 模型在 CIFAR-10 数据集上进行图像分类。ConvMixer 结合了卷积层和变换器的概念，实现了与 MLP-Mixer 类似的架构，但使用卷积代替全连接层。通过简化的训练流程展示，即使在有限的训练次数下，模型也能达到约 83% 的准确率。

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

目录

简介

导入

超参数

加载 CIFAR-10 数据集

准备 tf.data.Dataset 对象

ConvMixer 实用程序

模型培训和评估实用程序

训练和评估模型

可视化 ConvMixer 的内部结构

最后说明

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

本文目标：应用于图像斑块的全卷积网络。

简介

视觉变换器（ViT；Dosov

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨：【Keras机器学习实践要点】（十四）—— 使用 Keras3 进行分布式训练
政安晨——致力于AI人工智能数字互动领域
04-02 991
Keras 分布 API 是一个新接口，旨在促进 JAX、TensorFlow 和 PyTorch 等各种后端之间的分布式深度学习。这个功能强大的 API 引入了一套支持数据和模型并行的工具，可在多个加速器和主机上高效扩展深度学习模型。 无论是利用 GPU 还是 TPU 的强大功能，API 都提供了一种简化的方法来初始化分布式环境、定义设备网格，以及协调跨计算资源的张量布局。
政安晨：【Keras机器学习实践要点】（三十一）—— 使用全局上下文视觉变换器进行图像分类
政安晨——致力于AI人工智能数字互动领域
04-15 1106
本文目标：用于图像分类的全局上下文视觉变换器的实现和微调。 在本文中，我们将利用多后端 Keras 3.0 来实现 A Hatamizadeh 等人在 ICML 2023 上发表的 GCViT：Global Context Vision Transformer 论文，并利用官方 ImageNet 预训练的权重在 Flower 数据集上对模型进行微调，以完成图像分类任务。 本文的一大亮点是与多个后端兼容：TensorFlow、PyTorch 和 JAX，展示了多后端 Keras 的真正潜力。
【神经网络】(22) ConvMixer 代码复现，网络解析，附TensorFlow完整代码
博观而约取，厚积而薄发
06-09 2047
大家好，今天和各位分享一下如何使用 TensorFlow 构建 ConvMixer 卷积神经网络模型.作者证明了PatchEmbedding对VIT的精度影响更大，并提出了一个非常简单的模型ConvMixer，在思想上类似于ViT和MLP-Mixer。模型直接将patch作为输入，分离空间和通道尺寸的混合建模，并在整个网络中保持相同大小的分辨率。......
深度学习之图像分类（二十六）-- ConvMixer 网络详解
木卯_THU的博客
10-08 8376
深度学习之图像分类（二十六）ConvMixer 网络详解 目录深度学习之图像分类（二十六）ConvMixer 网络详解1. 前言2. A Simple Model: ConvMixer2.1 Patch Embedding2.2 ConvMixer Layer2.3 ConvMixer 网络结构2.4 实现代码：3. Weight Visualizations4. 反思与总结 本次学习继 CNN --> Transformer --> MLP 架构之后，探讨究竟是 Transformer 和 M
政安晨：【Keras机器学习实践要点】（四）—— 顺序模型
政安晨——致力于AI人工智能数字互动领域
03-27 1103
Keras是一个用于构建和训练深度学习模型的开源库。在Keras中，顺序模型是最简单的一种模型类型，它是一个线性堆叠的神经网络模型。顺序模型由一系列网络层按照顺序连接而成，每个网络层都可以包含多个神经元。
政安晨：【Keras机器学习实践要点】（六）—— 使用内置方法进行训练和评估
政安晨——致力于AI人工智能数字互动领域
03-28 1022
本文涵盖使用内置 API 进行训练和验证（如 Model.fit()、Model.evaluate() 和 Model.predict()）时的训练、评估和预测（推理）模型。 一般来说，无论您是使用内置循环还是编写自己的循环，模型训练和评估在每种 Keras 模型中的工作方式都是严格相同的，包括顺序模型、使用功能 API 构建的模型以及通过模型子类化从头编写的模型。
政安晨：【Keras机器学习实践要点】（七）—— 使用TensorFlow自定义fit()
政安晨——致力于AI人工智能数字互动领域
03-29 1372
在TensorFlow中，fit()是一个非常强大和常用的训练函数，它可以批次地训练模型并监测其性能。虽然fit()提供了很多有用的默认行为，但有时您可能想自定义fit()中发生的操作。 一种自定义fit()的方法是使用回调函数。 另一种自定义fit()的方法是编写自定义的训练循环。 最后，您还可以自定义fit()的行为通过设置fit()函数的其他参数。 总而言之，TensorFlow提供了多种方法来自定义fit()函数中发生的操作。 今天我们讲的就是keras api 在这里的应用方法。
政安晨：【Keras机器学习实践要点】（二）—— 给首次接触Keras 3 的朋友
政安晨——致力于AI人工智能数字互动领域
03-26 1657
Keras 3是一个深度学习框架，可以与TensorFlow、JAX和PyTorch互换使用。本文将介绍Keras 3的关键工作流程。 一个MNIST卷积神经网络：训练一个卷积神经网络来对MNIST数字进行分类。这是机器学习领域的HelloWorld。
政安晨：【Keras机器学习实践要点】（二十三）—— 紧凑型卷积变换器
政安晨——致力于AI人工智能数字互动领域
04-10 1217
本文目标：用于高效图像分类的紧凑型卷积变换器 正如视觉变换器（ViT）论文中所讨论的，基于变换器的视觉架构通常需要比通常更大的数据集，以及更长的预训练时间。对于 ViT 而言，ImageNet-1k（拥有约一百万张图像）被认为属于中等数据规模。这主要是因为，与 CNN 不同，ViT（或典型的基于 Transformer 的架构）不具备信息充分的归纳偏差（如处理图像的卷积）。 这就引出了一个问题：难道我们不能在单一网络架构中结合卷积的优势和变形器的优势吗？
快速了解机器学习
wzdzgdf的博客
08-02 1015
机器学习是人工智能（AI）的核心分支，它让计算机能够通过数据 “自主学习” 并改进，而无需被明确编程。简单来说，机器学习的目标是构建能从经验（数据）中学习规律的模型，使其在新数据上做出准确预测或决策。
17day-人工智能-机器学习-分类算法-KNN
2401_87710133的博客
08-05 772
knn算法全名叫做k-近邻算法（K-Nearest Neighbors，简称KNN），看到名字是不是能想到是算距离的，第一个k是指超参数的意思，就是可以认为设置的意思，这里是指最近的k个样本。
机器学习第三课之逻辑回归（二）LogisticRegression
m0_74977182的博客
08-01 1425
本文介绍了逻辑回归模型的分类评估方法和正则化技术。主要内容包括：1）混淆矩阵中的TP、FP、FN、TN概念及准确率、精确率、召回率、F1-score等评估指标；2）正则化惩罚项（L1/L2）的作用原理及其对模型过拟合的调节；3）欠拟合和过拟合的原因及解决方法；4）K折交叉验证的原理和实现方法，用于模型调参；5）通过信用卡欺诈检测案例，演示如何使用交叉验证选择最优正则化参数C值，提升模型在召回率指标上的表现。文章结合理论解释和Python代码实现，帮助读者掌握逻辑回归模型评估与优化的关键方法。
译|Netflix 数据平台运营中基于机器学习自动修复系统
素质云笔记
08-02 782
译|Netflix 数据平台运营中基于机器学习自动修复系统
python学智能算法（二十九）|SVM-拉格朗日函数求解中-KKT条件理解
专注python+工程实践的热心婶子
07-31 688
本文介绍了KKT条件在带约束优化问题中的应用原理。通过"力的平衡"类比，阐释了KKT五大规则：目标函数梯度与约束梯度加权和平衡（拉格朗日乘子权重）；不等式约束条件的边界限制；拉格朗日乘子非负性保证方向正确；互补松弛性确保未激活约束不影响；等式约束严格成立。这些条件共同判断优化问题中既满足约束又无法改进的局部最优解。文章以直观的物理类比帮助理解数学优化条件，为后续应用奠定理论基础。
《零基础入门AI：传统机器学习进阶（从拟合概念到K-Means算法）》
最新发布
m0_75034893的博客
08-05 966
本文详细介绍了欠拟合与过拟合问题及其解决方案，特别是正则化技术。然后深入讲解了两种正则化线性回归——岭回归和拉索回归，包括它们的数学原理和实际应用。接着介绍了逻辑回归这一重要的分类算法，最后探讨了无监督学习中的K-means聚类算法。这些算法构成了传统机器学习的基础知识体系，理解它们的原理和适用场景对于构建有效的机器学习模型至关重要。在实际应用中，通常需要根据具体问题和数据特点选择合适的算法，并通过交叉验证等方法调优参数。
机器学习：开启智能时代的钥匙
2302_76568160的博客
08-01 569
简单来说，机器学习是人工智能的一个重要分支，它让计算机能够在没有明确编程的情况下自主学习和改进。传统的编程模式中，程序员需要编写详细的指令，告诉计算机每一步该做什么；而机器学习则颠覆了这种模式，它通过设计算法，让计算机从数据中自主发现规律，进而实现对未知事件的预测或决策。打个比方，假设我们要让计算机识别图片中的猫。
机器学习（8）：线性回归
2401_83189603的博客
08-04 766
本文介绍了线性回归的基本概念及应用。主要内容包括：1）回归分析的定义，区分标称型和连续性数据；2）线性回归原理及示例说明，通过拟合直线描述变量间关系；3）损失函数和均方差的概念；4）多参数回归中权重计算的方法；5）最小二乘法的应用；6）Python中sklearn库的LinearRegression API使用示例，包括参数设置、模型训练和预测实现。文章通过植物生长高度预测的实例，展示了如何利用线性回归建立数学模型解决实际问题。
机器学习sklearn：处理缺失值
weixin_46407807的博客
08-01 232
摘要：本文介绍了使用Scikit-learn的SimpleImputer处理泰坦尼克号数据缺失值的方法。首先导入数据并检查缺失情况，然后针对Age列分别演示了均值、中位数和0值填补策略，最终选择中位数填补。对于Embarked列则采用众数填补。此外还展示了使用Pandas直接填充中位数的方法。全文通过具体代码示例展示了数据预处理的关键步骤，包括数据读取、缺失值识别和三种不同的填补策略应用。文末附有完整的原始数据集供参考。
机器学习消融实验：方法论演进、跨领域应用与前沿趋势
拒绝AI玄学，只聊真技术▲
08-02 1027
消融实验（Ablation Study）是一种系统性移除或修改模型关键组件以评估其对整体性能贡献的实验方法论。其术语源于神经科学和实验心理学（20世纪60-70年代），指通过切除动物脑区研究行为变化的实验范式。2014年，Girshick等人在目标检测领域首次系统引入该方法，在R-CNN模型中移除了全连接层和SVM分类器等组件，发现仅移除全连接层即可保持95%的检测精度，揭示了CNN特征提取的核心作用，奠定了现代消融实验的基础。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。
政安晨机器学习入门：Python与Pandas数据包下载指南
资源摘要信息:"《政安晨：机器学习快速入门（一）基于Python与Pandas》的示例数据包是为了辅助读者在学习机器学习基础概念和技巧时，通过实际操作和分析数据来加深理解。文章本身作为入门指南，强调了Python作为编程...
评论 1
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

政安晨

你的鼓励将是我创作的最大动力

¥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