python神经网络Keras构建CNN网络训练
更新时间：2022年05月04日 12:29:46 作者：Bubbliiiing
这篇文章主要为大家介绍了python神经网络学习使用Keras构建CNN网络训练，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
利用Keras构建完普通BP神经网络后，还要会构建CNN
Keras中构建CNN的重要函数
1、Conv2D
Conv2D用于在CNN中构建卷积层，在使用它之前需要在库函数处import它。
from keras.layers import Conv2D
在实际使用时，需要用到几个参数。
Conv2D(
nb_filter = 32,
nb_row = 5,
nb_col = 5,
border_mode = 'same',
input_shape = (28,28,1)
)
其中，nb_filter代表卷积层的输出有多少个channel，卷积之后图像会越来越厚，这就是卷积后图像的厚度。nb_row和nb_col的组合就是卷积器的大小，这里卷积器是(5,5)的大小。border_mode代表着padding的方式，same表示卷积前后图像的shape不变。input_shape代表输入的shape。
2、MaxPooling2D
MaxPooling2D指的是池化层，在使用它之前需要在库函数处import它。
from keras.layers import MaxPooling2D
在实际使用时，需要用到几个参数。
MaxPooling2D(
pool_size = (2,2),
strides = (2,2),
border_mode = 'same'
)
其中，pool_size表示池化器的大小，在这里，池化器的shape是(2,2)。strides是池化器的步长，这里在X和Y方向上都是2，池化后，输出比输入的shape小了1/2。border_mode代表着padding的方式。
3、Flatten
Flatten用于将卷积池化后最后的输出变为一维向量，这样才可以和全连接层连接，用于计算。在使用前需要用import导入。
from keras.layers import Flatten
在实际使用时，在最后一个池化层后直接添加层即可
model.add(Flatten())
全部代码
这是一个卷积神经网络的例子，用于识别手写体，其神经网络结构如下：
卷积层1->池化层1->卷积层2->池化层2->flatten->全连接层1->全连接层2->全连接层3。
单个样本的shape如下：
(28,28,1)->(28,28,32)->(14,14,32)->(14,14,64)->(7,7,64)->(3136)->(1024)->(256)
import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Activation,Conv2D,MaxPooling2D,Flatten ## 全连接层
from keras.datasets import mnist
from keras.utils import np_utils
from keras.optimizers import Adam
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28,1)
X_test = X_test.reshape(-1,28,28,1)
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
model = Sequential()
# conv1
model.add(
Conv2D(
nb_filter = 32,
nb_row = 5,
nb_col = 5,
border_mode = 'same',
input_shape = (28,28,1)
)
)
model.add(Activation("relu"))
# pool1
model.add(
MaxPooling2D(
pool_size = (2,2),
strides = (2,2),
border_mode = 'same'
)
)
# conv2
model.add(
Conv2D(
nb_filter = 64,
nb_row = 5,
nb_col = 5,
border_mode = 'same'
)
)
model.add(Activation("relu"))
# pool2
model.add(
MaxPooling2D(
pool_size = (2,2),
strides = (2,2),
border_mode = 'same'
)
)
# 全连接层
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation("relu"))
model.add(Dense(256))
model.add(Activation("relu"))
model.add(Dense(10))
model.add(Activation("softmax"))
adam = Adam(lr = 1e-4)
## compile
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
## tarin
print("\ntraining")
cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32)
print("\nTest")
## acc
cost,accuracy = model.evaluate(X_test,Y_test)
## W,b = model.layers[0].get_weights()
print("accuracy:",accuracy)
实验结果为：
Epoch 1/2 60000/60000 [==============================] - 64s 1ms/step - loss: 0.7664 - acc: 0.9224 Epoch 2/2 60000/60000 [==============================] - 62s 1ms/step - loss: 0.0473 - acc: 0.9858 Test 10000/10000 [==============================] - 2s 169us/step accuracy: 0.9856
以上就是python神经网络Keras构建CNN网络训练的详细内容，更多关于Keras构建CNN网络训练的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了python出现RuntimeError错误问题及解决方案，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-05-05
pycharm中dgl安装报错FileNotFoundError:Could not find&nb
这篇文章主要介绍了pycharm中dgl安装报错FileNotFoundError:Could not find module ‘E:\XXXX\XXXX\lib\site-packages\dgl\dgl.dl问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-02-02
迭代器是 Python 中独特的一种高级特性，而切片也是一种高级特性，两者相结合，会产生什么样的结果呢,需要的朋友可以参考下2020-01-01
这篇文章主要介绍了在Python下进行UDP网络编程的教程,UDP编程是Python网络编程部分的基础知识,示例代码基于Python2.x版本,需要的朋友可以参考下2015-04-04
本文主要介绍了Python多线程中线程数量如何控制，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-01-01
这篇文章主要介绍了Python 剪绳子的多种思路实现(动态规划和贪心)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-02-02
本篇文章主要介绍了python的内存管理详解，语言的内存管理是语言设计的一个重要方面。它是决定语言性能的重要因素。有兴趣的同学可以了解一下。2016-12-12
sys.argv 其实就是一个列表，里边需要用户传入的参数，关键就是要明白这参数是从程序外部输入的，而非代码本身的什么地方，要想看到它的效果就应该将程序保存了，从外部来运行程序并给出参数，通过本文学习你将明白 sys.argv很多知识，感兴趣的朋友一起看看吧2023-01-01
这篇文章主要介绍了python 监控服务器是否有人远程登录的方法，帮助大家利用python 监控服务器，感兴趣的朋友可以了解下2020-12-12
这篇文章主要介绍了python的reverse函数翻转结果为None的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-05-05
最新评论