2025年2月15日 星期六 甲辰(龙)年 腊月十五 设为首页 加入收藏
rss
您当前的位置:首页 > 计算机 > 编程开发 > 人工智能

训练一个简单的卷积神经网络(CNN)来对CIFAR图像进行分类

时间:03-18来源:作者:点击数:55

如何训练一个简单的卷积神经网络(CNN)来对CIFAR图像进行分类

  • # 本教程演示如何训练一个简单的卷积神经网络(CNN)来对CIFAR图像进行分类。
  • # 因为本教程使用Keras顺序API,所以创建和训练我们的模型只需要几行代码。
  • import tensorflow as tf
  • from tensorflow.keras import datasets, layers, models
  • import matplotlib.pyplot as plt # Matplotlib 是一个 Python 的 2D绘图库
  • # 下载并准备CIFAR10数据集
  • # CIFAR10数据集包含10个类中的60000个彩色图像,每个类中有6000个图像。
  • # 数据集分为50000个训练图像和10000个测试图像。这些类是互斥的,它们之间没有重叠。
  • (train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
  • # Normalize pixel values to be between 0 and 1 将像素值规格化为介于0和1之间
  • train_images, test_images = train_images / 255.0, test_images / 255.0

运行一下:

需要下载数据集,特别慢,复制下面链接去迅雷下载,很快

  • http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

下载下来的文件放到~/.keras/datasets/ 目录下,然后将文件名改名为cifar-10-batches-py.tar.gz

在这里插入图片描述
  • # 验证数据
  • # 为了验证数据集看起来是否正确,让我们绘制训练集中的前25个图像,并在每个图像下面显示类名。
  • class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
  • 'dog', 'frog', 'horse', 'ship', 'truck']
  • plt.figure(figsize=(10,10))
  • for i in range(25):
  • plt.subplot(5,5,i+1)
  • plt.xticks([])
  • plt.yticks([])
  • plt.grid(False)
  • plt.imshow(train_images[i], cmap=plt.cm.binary)
  • # The CIFAR labels happen to be arrays, CIFAR标签碰巧是数组,
  • # which is why you need the extra index 所以你需要额外的索引
  • plt.xlabel(class_names[train_labels[i][0]])
  • plt.show()

运行结果:

在这里插入图片描述
  • # 创建卷积基
  • # 下面的6行代码使用一个通用模式定义卷积基:Conv2D和MaxPooling2D层的堆栈作为输入,
  • # CNN采用形状张量(图像高度、图像宽度、颜色通道),忽略批大小。
  • # 如果您不熟悉这些维度,则颜色通道指(R、G、B)。
  • # 在本例中,您将配置我们的CNN来处理shape(32、32、3)的输入,
  • # 这是CIFAR图像的格式。可以通过将参数input_shape传递到第一层来完成此操作。
  • model = models.Sequential()
  • model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
  • model.add(layers.MaxPooling2D((2, 2)))
  • model.add(layers.Conv2D(64, (3, 3), activation='relu'))
  • model.add(layers.MaxPooling2D((2, 2)))
  • model.add(layers.Conv2D(64, (3, 3), activation='relu'))
  • # Let's display the architecture of our model so far.
  • model.summary()

运行结果:

在这里插入图片描述

上面,您可以看到每个Conv2D和MaxPooling2D层的输出都是一个三维形状张量(高度、宽度、通道)。随着网络的深入,宽度和高度维度往往会缩小。每个Conv2D层的输出信道的数量由第一个参数控制(例如,32或64)。通常,随着宽度和高度的缩小,您可以(通过计算)在每个Conv2D层中添加更多的输出通道。

在顶部添加密集层

为了完成我们的模型,您将把最后一个输出张量从卷积基(形状(4,4,64))馈入一个或多个密集层以执行分类。密集层以矢量作为输入(一维),而当前输出是三维张量。首先,将三维输出展平(或展开)为1D,然后在顶部添加一个或多个密集层。CIFAR有10个输出类,因此使用最后一个密集层,其中有10个输出和一个softmax激活。

  • model.add(layers.Flatten())
  • model.add(layers.Dense(64, activation='relu'))
  • model.add(layers.Dense(10))
  • # 这是我们模型的完整架构。
  • model.summary()
在这里插入图片描述

如您所见,我们的(4,4,64)输出在经过两个密集层之前被展平成形状向量(1024)。

编译和训练模型

  • model.compile(optimizer='adam',
  • loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
  • metrics=['accuracy'])
  • history = model.fit(train_images, train_labels, epochs=10,
  • validation_data=(test_images, test_labels))
在这里插入图片描述

Evaluate the model评估模型

  • plt.plot(history.history['accuracy'], label='accuracy')
  • plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
  • plt.xlabel('Epoch')
  • plt.ylabel('Accuracy')
  • plt.ylim([0.5, 1])
  • plt.legend(loc='lower right')
  • test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
  • print(test_acc)

结果:

在这里插入图片描述
在这里插入图片描述

我们简单的CNN已经达到了超过70%的测试精度。对几行代码来说还不错!

方便获取更多学习、工作、生活信息请关注本站微信公众号城东书院 微信服务号城东书院 微信订阅号
推荐内容
相关内容
栏目更新
栏目热门