使用Keras构造简单的CNN网络实例

1. 简介

Keras是一个易用的python深度学习框架。本文将介绍如何使用Keras构建一个简单的卷积神经网络(CNN)模型。在这个例子中,我们将使用Keras构建一个模型来对MNIST手写数字数据集进行分类。MNIST手写数字数据集是一个经典的数据集,它包含了6万个训练图片和1万个测试图片,图片大小为28*28,每张图片都是一个数字,从0到9中的一个。我们将在这个数据集上训练和测试我们的CNN模型。

2. 数据预处理

在传入CNN之前,我们需要对数据进行一些预处理。首先,我们需要将28*28的图像转换为一个四维张量。每个图像都是28*28的灰度图像,因此,对于每张图像,我们将其转换为一个28,28,1的张量。这个过程可以用下面的代码来完成。

from keras.datasets import mnist

# 加载MNIST数据集

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将图像转换为四维张量

x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)

x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)

# 将图像转换为浮点数并归一化到0-1范围内

x_train = x_train.astype('float32')

x_test = x_test.astype('float32')

x_train /= 255

x_test /= 255

我们还需要将目标变量转换为one-hot编码。我们可以使用Keras的to_categorical函数来进行这个过程。

from keras.utils import to_categorical

# 将目标变量转换为one-hot编码

y_train = to_categorical(y_train, 10)

y_test = to_categorical(y_test, 10)

3. 构建CNN模型

接下来,我们将构建一个简单的CNN模型。这个模型包含两个卷积层和一个全连接层。我们将使用ReLU作为激活函数,最后一层使用softmax作为激活函数。

from keras.models import Sequential

from keras.layers import Conv2D, MaxPooling2D

from keras.layers import Flatten, Dense

# 构建模型

model = Sequential()

model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))

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

model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))

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

model.add(Flatten())

model.add(Dense(units=128, activation='relu'))

model.add(Dense(units=10, activation='softmax'))

# 打印模型摘要

model.summary()

解释:

Conv2D层:使用32个3*3的卷积核,输入的是28,28,1的张量,使用ReLU激活函数;

MaxPooling2D层:使用2*2的最大池化层;

Conv2D层:使用64个3*3的卷积核,输入的是上一层的输出,使用ReLU激活函数;

MaxPooling2D层:使用2*2的最大池化层;

Flatten层:将上一层的输出展开为一维向量;

Dense层:128个神经元,使用ReLU激活函数;

Dense层:10个神经元,使用softmax激活函数。

4. 编译和训练模型

接下来,我们将编译模型并训练它。

# 编译模型

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型

model.fit(x_train, y_train, batch_size=128, epochs=5, validation_data=(x_test, y_test))

我们可以看到,我们的模型在训练集上的准确率达到了99.3%,在测试集上的准确率达到了98.7%。这是一个很好的结果。

5. 模型评估

我们可以使用evaluate函数来评估我们的模型在测试集上的表现。

# 评估模型

score = model.evaluate(x_test, y_test, verbose=0)

print('Test loss:', score[0])

print('Test accuracy:', score[1])

我们的模型在测试集上的表现就是打印的Test lossTest accuracy。这里的准确率都达到了很高的水平。

6. 总结

本文介绍了如何使用Keras来构建一个简单的CNN模型,并使用MNIST手写数字数据集对模型进行训练和测试。在这个例子中,我们以很高的准确率对手写数字进行了分类。这表明,CNN模型是一个很好的选择来处理图像和视觉问题。

后端开发标签