用keras实现cnn分类

最新推荐文章于 2025-06-24 12:57:14 发布

è¤è²çåºå

最新推荐文章于 2025-06-24 12:57:14 发布

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：算法

本文链接：https://blog.youkuaiyun.com/weixin_43405448/article/details/89209864

本文介绍了在使用Keras实现CNN分类时，通过更换优化器为Adam以及调整Dense层神经元数量，显著提高了模型准确率。此外，通过在模型训练前对数据进行归一化处理，不仅提升了模型准确率，还极大地加快了模型的收敛速度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

搞了挺久，包括正确率的提高，还有各种错误之后好了

import tensorflow
import keras
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers.normalization import BatchNormalization
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.utils import np_utils
import numpy as np 


#二维卷积层Conv2D
#keras.layers.convolutional.Conv2D(filters, kernal_size, strides = (1,1), padding = 'valdid')
#fileters是卷积核的数目，kernal_size是卷积核的尺寸，strides是卷积核移动的步长，padding是边界模式（一般分为same和valid两种，same是全填充，边界补零）
#二维池化层Maxpooling，池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征
#keras.layers.pooling.Maxpooling2D(pool_size = (2,2), strides = None, padding = 'valid')
#Activation层：keras.layers.core.Activation(activation),激活函数可以为：softmax, softplus, softsign, relu, sigmoid, hard_sigmoid, linear等
#Droupout层：keras.layers.core.Dropout(p)
#dropout将在训练过程中每次更新参数随机断开一定的百分比（p）的输入神经元连接，防止过拟合
#flatttern全连接层：keras.layers.core.Flattern()将输入压平，用于卷积层和全连接层的过渡 
#Dense层全连接层：keras.layers