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
