基于keras的卷积神经网络（CNN）

1 前言

本文以MNIST手写数字分类为例，讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明，见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1D 层、Conv2D 层、MaxPooling1D 层和 MaxPooling2D 层，其参数说明如下：

（1）Conv1D

Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None)

filters：卷积核个数（通道数）
kernel_size：卷积核尺寸（长度或宽度）
strides：卷积核向右（或向下）移动步长
padding：右边缘（或下边缘）不够一个窗口大小时，是否补零。valid 表示不补，same 表示补零
dilation_rate：膨胀（空洞）率，每次卷积运算时，相邻元素之间的水平距离
activation：激活函数，可选 sigmoid、tanh、relu

注意：当该层作为第一层时，应提供 input_shape参数。例如 input_shape=(10,128)表示10个时间步长的时间序列，每步中有128个特征

（2）Conv2D

Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', dilation_rate=(1, 1), activation=None)

filters：卷积核个数（通道数）
kernel_size：卷积核尺寸（长度和宽度）
strides：卷积核向右和向下移动步长
padding：右边缘和下边缘不够一个窗口大小时，是否补零。valid 表示不补，same 表示补零
dilation_rate：膨胀（空洞）率，每次卷积运算时，相邻元素之间的水平和竖直距离
activation：激活函数，可选 sigmoid、tanh、relu

注意：当该层作为第一层时，应提供 input_shape参数。例如 input_shape=(128,128,3)表示128*128的彩色RGB图像

（3）MaxPooling1D

MaxPooling1D(pool_size=2, strides=None, padding='valid')

pool_size：池化窗口尺寸（长度或宽度）
strides：窗口向右（或向下）移动步长
padding：右边缘（或下边缘）不够一个窗口大小时，是否补零。valid 表示不补，same 表示补零

（4）MaxPooling2D

MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid')

pool_size：池化窗口尺寸（长度和宽度）
strides：窗口向右和向下移动步长
padding：右边缘和下边缘不够一个窗口大小时，是否补零。valid 表示不补，same 表示补零

笔者工作空间如下：

代码资源见--> 使用一维卷积和二维卷积实现MNIST数据集分类

2 一维卷积

CNN_1D.py

from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Sequential
from keras.layers import Conv1D,MaxPooling1D,Flatten,Dense

#载入数据
def read_data(path):
    mnist=input_data.read_data_sets(path,one_hot=True)
    train_x,train_y=mnist.train.images.reshape(-1,28,28),mnist.train.labels,
    valid_x,valid_y=mnist.validation.images.reshape(-1,28,28),mnist.validation.labels,
    test_x,test_y=mnist.test.images.reshape(-1,28,28),mnist.test.labels
    return train_x,train_y,valid_x,valid_y,test_x,test_y

#序列模型
def CNN_1D(train_x,train_y,valid_x,valid_y,test_x,test_y):
    #创建模型
    model=Sequential()
    model.add(Conv1D(input_shape=(28,28),filters=16,kernel_size=5,padding='same',activation='relu'))
    model.add(MaxPooling1D(pool_size=2,padding='same'))  #最大池化
    model.add(Conv1D(filters=32,kernel_size=3,padding='same',activation='relu'))
    model.add(MaxPooling1D(pool_size=2,padding='same'))  #最大池化
    model.add(Flatten())  #扁平化
    model.add(Dense(10,activation='softmax'))
    #查看网络结构
    model.summary()
    #编译模型
    model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
    #训练模型
    model.fit(train_x,train_y,batch_size=500,nb_epoch=20,verbose=2,validation_data=(valid_x,valid_y))
    #评估模型
    pre=model.evaluate(test_x,test_y,batch_size=500,verbose=2)  #评估模型
    print('test_loss:',pre[0],'- test_acc:',pre[1])
   
train_x,train_y,valid_x,valid_y,test_x,test_y=read_data('MNIST_data')
CNN_1D(train_x,train_y,valid_x,valid_y,test_x,test_y)

网络各层输出尺寸：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_1 (Conv1D)            (None, 28, 16)            2256      
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 14, 16)            0         
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 14, 32)            1568      
_________________________________________________________________
max_pooling1d_2 (MaxPooling1 (None, 7, 32)             0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 224)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 10)                2250      
=================================================================
Total params: 6,074
Trainable params: 6,074
Non-trainable params: 0

网络训练结果：

Epoch 18/20
 - 1s - loss: 0.0659 - acc: 0.9803 - val_loss: 0.0654 - val_acc: 0.9806
Epoch 19/20
 - 1s - loss: 0.0627 - acc: 0.9809 - val_loss: 0.0638 - val_acc: 0.9834
Epoch 20/20
 - 1s - loss: 0.0601 - acc: 0.9819 - val_loss: 0.0645 - val_acc: 0.9828
test_loss: 0.06519819456152617 - test_acc: 0.9790999978780747

3 二维卷积

CNN_2D.py

from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,Flatten,Dense

#载入数据
def read_data(path):
    mnist=input_data.read_data_sets(path,one_hot=True)
    train_x,train_y=mnist.train.images.reshape(-1,28,28,1),mnist.train.labels,
    valid_x,valid_y=mnist.validation.images.reshape(-1,28,28,1),mnist.validation.labels,
    test_x,test_y=mnist.test.images.reshape(-1,28,28,1),mnist.test.labels
    return train_x,train_y,valid_x,valid_y,test_x,test_y

#序列模型
def CNN_2D(train_x,train_y,valid_x,valid_y,test_x,test_y):
    #创建模型
    model=Sequential()
    model.add(Conv2D(input_shape=(28,28,1),filters=16,kernel_size=(5,5),padding='same',activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2),padding='same'))  #最大池化
    model.add(Conv2D(filters=32,kernel_size=(3,3),padding='same',activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2),padding='same'))  #最大池化
    model.add(Flatten())  #扁平化
    model.add(Dense(10,activation='softmax'))
    #查看网络结构
    model.summary()
    #编译模型
    model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
    #训练模型
    model.fit(train_x,train_y,batch_size=500,nb_epoch=20,verbose=2,validation_data=(valid_x,valid_y))
    #评估模型
    pre=model.evaluate(test_x,test_y,batch_size=500,verbose=2)  #评估模型
    print('test_loss:',pre[0],'- test_acc:',pre[1])
   
train_x,train_y,valid_x,valid_y,test_x,test_y=read_data('MNIST_data')
CNN_2D(train_x,train_y,valid_x,valid_y,test_x,test_y)

网络各层输出尺寸：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 28, 28, 16)        416       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 14, 14, 16)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 14, 14, 32)        4640      
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 7, 7, 32)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 1568)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 10)                15690     
=================================================================
Total params: 20,746
Trainable params: 20,746
Non-trainable params: 0

网络训练结果：

Epoch 18/20
 - 11s - loss: 0.0290 - acc: 0.9911 - val_loss: 0.0480 - val_acc: 0.9872
Epoch 19/20
 - 11s - loss: 0.0284 - acc: 0.9913 - val_loss: 0.0475 - val_acc: 0.9860
Epoch 20/20
 - 11s - loss: 0.0258 - acc: 0.9921 - val_loss: 0.0453 - val_acc: 0.9874
test_loss: 0.038486057263799014 - test_acc: 0.9874000072479248

4 补充

（1）AveragePooling1D

AveragePooling1D(pool_size=2, strides=None, padding='valid')

（2）AveragePooling2D

AveragePooling2D(pool_size=(2, 2), strides=None, padding='valid')

声明：本文转自基于keras的卷积神经网络（CNN）

posted @ 2023-03-19 12:05 little_fat_sheep 阅读(212) 评论(0) 收藏举报

刷新页面返回顶部

little_fat_sheep

基于keras的卷积神经网络（CNN）

1 前言

2 一维卷积

3 二维卷积

4 补充

公告