主頁(yè) > 知識(shí)庫(kù) > Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作

Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作

熱門標(biāo)簽:手機(jī)網(wǎng)頁(yè)嵌入地圖標(biāo)注位置 應(yīng)電話機(jī)器人打電話違法嗎 開封自動(dòng)外呼系統(tǒng)怎么收費(fèi) 河北防封卡電銷卡 400電話辦理哪種 地圖標(biāo)注線上如何操作 天津電話機(jī)器人公司 開封語音外呼系統(tǒng)代理商 電銷機(jī)器人的風(fēng)險(xiǎn)

使用keras實(shí)現(xiàn)CNN,直接上代碼:

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils
from keras import backend as K
 
class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = {'batch':[], 'epoch':[]}
        self.accuracy = {'batch':[], 'epoch':[]}
        self.val_loss = {'batch':[], 'epoch':[]}
        self.val_acc = {'batch':[], 'epoch':[]}
 
    def on_batch_end(self, batch, logs={}):
        self.losses['batch'].append(logs.get('loss'))
        self.accuracy['batch'].append(logs.get('acc'))
        self.val_loss['batch'].append(logs.get('val_loss'))
        self.val_acc['batch'].append(logs.get('val_acc'))
 
    def on_epoch_end(self, batch, logs={}):
        self.losses['epoch'].append(logs.get('loss'))
        self.accuracy['epoch'].append(logs.get('acc'))
        self.val_loss['epoch'].append(logs.get('val_loss'))
        self.val_acc['epoch'].append(logs.get('val_acc'))
 
    def loss_plot(self, loss_type):
        iters = range(len(self.losses[loss_type]))
        plt.figure()
        # acc
        plt.plot(iters, self.accuracy[loss_type], 'r', label='train acc')
        # loss
        plt.plot(iters, self.losses[loss_type], 'g', label='train loss')
        if loss_type == 'epoch':
            # val_acc
            plt.plot(iters, self.val_acc[loss_type], 'b', label='val acc')
            # val_loss
            plt.plot(iters, self.val_loss[loss_type], 'k', label='val loss')
        plt.grid(True)
        plt.xlabel(loss_type)
        plt.ylabel('acc-loss')
        plt.legend(loc="upper right")
        plt.show()
 
history = LossHistory()
 
batch_size = 128
nb_classes = 10
nb_epoch = 20
img_rows, img_cols = 28, 28
nb_filters = 32
pool_size = (2,2)
kernel_size = (3,3)
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1)
X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
 
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
print('X_train shape:', X_train.shape)
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')
 
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
 
model3 = Sequential()
 
model3.add(Convolution2D(nb_filters, kernel_size[0] ,kernel_size[1],
                        border_mode='valid',
                        input_shape=input_shape))
model3.add(Activation('relu'))
 
model3.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model3.add(Activation('relu'))
 
model3.add(MaxPooling2D(pool_size=pool_size))
model3.add(Dropout(0.25))
 
model3.add(Flatten())
 
model3.add(Dense(128))
model3.add(Activation('relu'))
model3.add(Dropout(0.5))
 
model3.add(Dense(nb_classes))
model3.add(Activation('softmax'))
 
model3.summary()
 
model3.compile(loss='categorical_crossentropy',
              optimizer='adadelta',
              metrics=['accuracy'])
 
model3.fit(X_train, Y_train, batch_size=batch_size, epochs=nb_epoch,
          verbose=1, validation_data=(X_test, Y_test),callbacks=[history])
 
score = model3.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
 
#acc-loss
history.loss_plot('epoch')

補(bǔ)充:使用keras全連接網(wǎng)絡(luò)訓(xùn)練mnist手寫數(shù)字識(shí)別并輸出可視化訓(xùn)練過程以及預(yù)測(cè)結(jié)果

前言

mnist 數(shù)字識(shí)別問題的可以直接使用全連接實(shí)現(xiàn)但是效果并不像CNN卷積神經(jīng)網(wǎng)絡(luò)好。Keras是目前最為廣泛的深度學(xué)習(xí)工具之一,底層可以支持Tensorflow、MXNet、CNTK、Theano

準(zhǔn)備工作

TensorFlow版本:1.13.1

Keras版本:2.1.6

Numpy版本:1.18.0

matplotlib版本:2.2.2

導(dǎo)入所需的庫(kù)

from keras.layers import Dense,Flatten,Dropout
from keras.datasets import mnist
from keras import Sequential
import matplotlib.pyplot as plt
import numpy as np

Dense輸入層作為全連接,F(xiàn)latten用于全連接扁平化操作(也就是將二維打成一維),Dropout避免過擬合。使用datasets中的mnist的數(shù)據(jù)集,Sequential用于構(gòu)建模型,plt為可視化,np用于處理數(shù)據(jù)。

劃分?jǐn)?shù)據(jù)集

# 訓(xùn)練集       訓(xùn)練集標(biāo)簽       測(cè)試集      測(cè)試集標(biāo)簽
(train_image,train_label),(test_image,test_label) = mnist.load_data()
print('shape:',train_image.shape)   #查看訓(xùn)練集的shape
plt.imshow(train_image[0])    #查看第一張圖片
print('label:',train_label[0])      #查看第一張圖片對(duì)應(yīng)的標(biāo)簽
plt.show()

輸出shape以及標(biāo)簽label結(jié)果:

查看mnist數(shù)據(jù)集中第一張圖片:

數(shù)據(jù)歸一化

train_image = train_image.astype('float32')
test_image = test_image.astype('float32')
train_image /= 255.0
test_image /= 255.0

將數(shù)據(jù)歸一化,以便于訓(xùn)練的時(shí)候更快的收斂。

模型構(gòu)建

#初始化模型(模型的優(yōu)化 ---> 增大網(wǎng)絡(luò)容量,直到過擬合)
model = Sequential()
model.add(Flatten(input_shape=(28,28)))    #將二維扁平化為一維(60000,28,28)---> (60000,28*28)輸入28*28個(gè)神經(jīng)元
model.add(Dropout(0.1))
model.add(Dense(1024,activation='relu'))   #全連接層 輸出64個(gè)神經(jīng)元 ,kernel_regularizer=l2(0.0003)
model.add(Dropout(0.1))
model.add(Dense(512,activation='relu'))    #全連接層
model.add(Dropout(0.1))
model.add(Dense(256,activation='relu'))    #全連接層
model.add(Dropout(0.1))
model.add(Dense(10,activation='softmax'))  #輸出層,10個(gè)類別,用softmax分類

每層使用一次Dropout防止過擬合,激活函數(shù)使用relu,最后一層Dense神經(jīng)元設(shè)置為10,使用softmax作為激活函數(shù),因?yàn)橹挥?-9個(gè)數(shù)字。如果是二分類問題就使用sigmod函數(shù)來處理。

編譯模型

#編譯模型
model.compile(
    optimizer='adam',      #優(yōu)化器使用默認(rèn)adam
    loss='sparse_categorical_crossentropy', #損失函數(shù)使用sparse_categorical_crossentropy
    metrics=['acc']       #評(píng)價(jià)指標(biāo)
)

sparse_categorical_crossentropy與categorical_crossentropy的區(qū)別:

sparse_categorical_crossentropy要求target為非One-hot編碼,函數(shù)內(nèi)部進(jìn)行One-hot編碼實(shí)現(xiàn)。

categorical_crossentropy要求target為One-hot編碼。

One-hot格式如: [0,0,0,0,0,1,0,0,0,0] = 5

訓(xùn)練模型

#訓(xùn)練模型
history = model.fit(
    x=train_image,                          #訓(xùn)練的圖片
    y=train_label,                          #訓(xùn)練的標(biāo)簽
    epochs=10,                              #迭代10次
    batch_size=512,                         #劃分批次
    validation_data=(test_image,test_label) #驗(yàn)證集
)

迭代10次后的結(jié)果:

繪制loss、acc圖

#繪制loss acc圖
plt.figure()
plt.plot(history.history['acc'],label='training acc')
plt.plot(history.history['val_acc'],label='val acc')
plt.title('model acc')
plt.ylabel('acc')
plt.xlabel('epoch')
plt.legend(loc='lower right')
plt.figure()
plt.plot(history.history['loss'],label='training loss')
plt.plot(history.history['val_loss'],label='val loss')
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(loc='upper right')
plt.show()

繪制出的loss變化圖:

繪制出的acc變化圖:

預(yù)測(cè)結(jié)果

print("前十個(gè)圖片對(duì)應(yīng)的標(biāo)簽: ",test_label[:10]) #前十個(gè)圖片對(duì)應(yīng)的標(biāo)簽
print("取前十張圖片測(cè)試集預(yù)測(cè):",np.argmax(model.predict(test_image[:10]),axis=1)) #取前十張圖片測(cè)試集預(yù)測(cè)

打印的結(jié)果:

可看到在第9個(gè)數(shù)字預(yù)測(cè)錯(cuò)了,標(biāo)簽為5的,預(yù)測(cè)成了6,為了避免這種問題可以適當(dāng)?shù)募由罹W(wǎng)絡(luò)結(jié)構(gòu),或使用CNN模型。

保存模型

model.save('./mnist_model.h5')

完整代碼

from keras.layers import Dense,Flatten,Dropout
from keras.datasets import mnist
from keras import Sequential
import matplotlib.pyplot as plt
import numpy as np
# 訓(xùn)練集       訓(xùn)練集標(biāo)簽       測(cè)試集      測(cè)試集標(biāo)簽
(train_image,train_label),(test_image,test_label) = mnist.load_data()
# print('shape:',train_image.shape)   #查看訓(xùn)練集的shape
# plt.imshow(train_image[0]) #查看第一張圖片
# print('label:',train_label[0])      #查看第一張圖片對(duì)應(yīng)的標(biāo)簽
# plt.show()
#歸一化(收斂)
train_image = train_image.astype('float32')
test_image = test_image.astype('float32')
train_image /= 255.0
test_image /= 255.0
#初始化模型(模型的優(yōu)化 ---> 增大網(wǎng)絡(luò)容量,直到過擬合)
model = Sequential()
model.add(Flatten(input_shape=(28,28)))   #將二維扁平化為一維(60000,28,28)---> (60000,28*28)輸入28*28個(gè)神經(jīng)元
model.add(Dropout(0.1))
model.add(Dense(1024,activation='relu'))    #全連接層 輸出64個(gè)神經(jīng)元 ,kernel_regularizer=l2(0.0003)
model.add(Dropout(0.1))
model.add(Dense(512,activation='relu'))    #全連接層
model.add(Dropout(0.1))
model.add(Dense(256,activation='relu'))    #全連接層
model.add(Dropout(0.1))
model.add(Dense(10,activation='softmax')) #輸出層,10個(gè)類別,用softmax分類
#編譯模型
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['acc']
)
#訓(xùn)練模型
history = model.fit(
    x=train_image,                          #訓(xùn)練的圖片
    y=train_label,                          #訓(xùn)練的標(biāo)簽
    epochs=10,                              #迭代10次
    batch_size=512,                         #劃分批次
    validation_data=(test_image,test_label) #驗(yàn)證集
)
#繪制loss acc 圖
plt.figure()
plt.plot(history.history['acc'],label='training acc')
plt.plot(history.history['val_acc'],label='val acc')
plt.title('model acc')
plt.ylabel('acc')
plt.xlabel('epoch')
plt.legend(loc='lower right')
plt.figure()
plt.plot(history.history['loss'],label='training loss')
plt.plot(history.history['val_loss'],label='val loss')
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(loc='upper right')
plt.show()
print("前十個(gè)圖片對(duì)應(yīng)的標(biāo)簽: ",test_label[:10]) #前十個(gè)圖片對(duì)應(yīng)的標(biāo)簽
print("取前十張圖片測(cè)試集預(yù)測(cè):",np.argmax(model.predict(test_image[:10]),axis=1)) #取前十張圖片測(cè)試集預(yù)測(cè)
#優(yōu)化前(一個(gè)全連接層(隱藏層))
#- 1s 12us/step - loss: 1.8765 - acc: 0.8825
# [7 2 1 0 4 1 4 3 5 4]
# [7 2 1 0 4 1 4 9 5 9]
#優(yōu)化后(三個(gè)全連接層(隱藏層))
#- 1s 14us/step - loss: 0.0320 - acc: 0.9926 - val_loss: 0.2530 - val_acc: 0.9655
# [7 2 1 0 4 1 4 9 5 9]
# [7 2 1 0 4 1 4 9 5 9]
model.save('./model_nameALL.h5')

總結(jié)

使用全連接層訓(xùn)練得到的最后結(jié)果train_loss: 0.0242 - train_acc: 0.9918 - val_loss: 0.0560 - val_acc: 0.9826,由loss acc可視化圖可以看出訓(xùn)練有著明顯的效果。

以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。

您可能感興趣的文章:
  • keras繪制acc和loss曲線圖實(shí)例
  • Keras之自定義損失(loss)函數(shù)用法說明
  • keras自定義回調(diào)函數(shù)查看訓(xùn)練的loss和accuracy方式
  • keras 自定義loss model.add_loss的使用詳解

標(biāo)簽:蘭州 江蘇 駐馬店 山東 成都 常州 宿遷 六盤水

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作》,本文關(guān)鍵詞  Keras,在,mnist,上的,CNN,實(shí)踐,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作》相關(guān)的同類信息!
  • 本頁(yè)收集關(guān)于Keras在mnist上的CNN實(shí)踐,并且自定義loss函數(shù)曲線圖操作的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章