一. 进行数据预处理
1导入相关库
from keras.datasets import mnist 从keras的datasets中导入mnist数据集
from keras.utils import np_utils 从keras导入将整型标签转换方法 utils
import numpy as np 导入Python扩充程序库numPy，作为np调用。numPy支持大量的维度数组与矩阵运算，也针对数组运算提供大量的数学函数库。
np.random.seed(10)
设置随机数种子为10 。将随机数发生器初始化为恒定值，以获得可重复结果。
2.读取MNIST数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()
返回手写图片的两个tuple，第一个tuple存储已经人工分类好的图片及标签，标签指出该图片
表示的数字（0—9），供训练使用；第二个tuple存储未分类的图片，在用第一个tuple训练完后，可以对第二个tuple利用神经网络进行分类，根据实验结果的真实值与预测值对比得到相应的损失值，再利用反向传播进行参数更新，再进行分类，然后重复前述步骤直至损失值最小 。
元组不能修改
正则化解决过拟合reshape to be [samples][pixels][width][height]
X_train = shape(X_train.shape[0], 28, 28, 1).astype('float32')
X_test = shape(X_test.shape[0], 1, 28, 28).astype('float32')
将fetures（数字图像特征值）转换（reshape）为6000 x 28 x 28 x 1的四维矩阵
CNN的输入是4维的张量（可看做多维向量），第一维是样本规模（图像数量），第四维是像素通道（这里为1通道，单），第二维和第三维是长度和宽度。并将数值归一化和类别标签向量化。
二. 建立模型
1.导入所需模块
dels import Sequential
from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D
2.建立keras的Sequential模型--多个网络层的线性堆叠
model = Sequential() 两种建模方式：向layer添加list的方式；通过.add()方式一层层添加（一个add为一层）
3.建立卷积层1 与池化层1
建立卷积层1
卷积层1对手写数字图像以16个滤镜（卷积核）进行分解，分别侧重于同一张图片中不同的特征。把Conv2D加入模型中。 model.add（Sequential是模型的添加层方法，加一个神经网络层到模型中）
In[9] model.add(Conv2D(filters=16, 输入图像大小为28×28，16个核。进行第一次卷积产生16个图像，卷积运算并不改变图像，图像大小仍是28×28
kernel_size=(5,5), 卷积核5×5
padding='same’,
注释：keras提供的两种神经网络模型
一.Sequential（序列型）模型。把一些基础神经网络层组件一个个串联起来形成一个完整的模型，在此模型上进行训练，从而完成学习任务。序列模型可看做面向对象的方法，一系列对象协作完成任务。
二.Functional（函数型模型）。
函数模型通过一系列过程调用来完成任务
序列模型在dels模块内实现，提供了模型的保存和重新加载功能，方便中断和重新开始一个训练过程。
save_model(model,path)；load_model(path)
Sequential类
add(layer) 向链尾追加一层神经网络层
pop() 删除尾部的神经网络层
compile(optimizer,loss,metrics) 配置模型的训练参数
Padding是边缘填充：卷积前，先将图片扩大一点，再进行卷积。对于扩大部分，一般会填入0值，即在输入矩阵的边缘填补一圈0。 podding=‘SAME’时,全0填充。
input_shape=(28,28,1),张量的形状称为shape，表示多少维，平面还是立体
activation=‘relu’)) 激活函数
数据以张量形式表示，张量的形状称为shape。表示从最外层向量逐步到达最底层向量的降维解包过程。如，一阶张量[1,2,3]的shape是(3,); 二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3);三阶张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)。input_shape指输入张量的shape。例如，input_dim=784，说明输入是一个784维的向量，这相当于一个一阶的张量，它的shape是(784,)。因此，input_shape=(784,)。
建立池化层1（亚采样或下采样）
池化层1将分解得到的16张图片中与识别无关的信息切除。 降低了每个特征映射的维度，保留了最重要的信息。
In[10]: model.add(MaxPooling2D(pool_size=(2, 2)))
采用maxPooling2D最大值的池，池大小为2×2。进行第一次缩减采样后，把16个28×28
的图像缩小为16个14×14的图像，直观看将图片切掉了1/2大小。
建立卷积层2
卷积层2和池化层2做的工作相似。把Conv2D加入模型中。
第二次卷积，将16个图像转为36个图像，卷积运算并不改变图像，图像大小仍是14×14。
model.add(Conv2D(filters=36,
kernel_size=(5,5),
padding='same',
activation='relu’))
建立池化层2，加入Dropout避免过度拟合
model.add(MaxPooling2D(pool_size=(2, 2)))
采用maxPooling2D最大值的池，池大小为2×2。进行第二次缩减采样后，把36个14×14
的图像缩小为36个7×7的图像。
model.add(Dropout(0.25)) 使用dropout，称为Dropout的正则化层。每次训练迭代时，随机放弃25％的神经元，以减少过度拟合。
5.建立神经网络（平坦层、隐藏层、输出层）
建立平坦层 将输入“压平”，即把多维输入一维化，用在从卷积层到全连接层的过渡
model.add(Flatten()) 将二维矩阵数据转换为矢量（一维）。把36个7×7的图像转换为一维向量。长度是36×7×7=1764，即1764个浮点数，对应1764个神经元。
建立隐藏层
model.add(Dense(128, activation=‘relu’)) 共128个神经元。
model.add(Dropout(0.5)) 每次训练迭代时，随机放弃50％的神经元，以减少过拟合。
建立输出层
model.add(Dense(10,activation=‘softmax’))
有10个神经元（对应0--9）用于区别10个类，使用softmax激活函数进行转换。可将神经元的输出转换为预测每个数字的概率。Dense表示全连接。Dense含义是这里的神经元连接非常“稠密”。
6.查看模型的摘要
print(model.summary())
三. 进行训练
建立好模型后，就可利用反向传播算法进行训练。
1.定义训练方式
训练前，要用compile方法设置训练模型：
modelpile(loss='categorical_crossentropy',
optimizer='adam',metrics=['accuracy'])
Compile方法定义了三个参数：loss、adam、metrics。
loss ：指定损失函数，在多分类任务中指定交叉熵为损失函数。
Optimizer ：指定优化方法，可选 adam 方法，使训练更快收敛，提高准确率。
Optimizer ：指定优化方法，可选 adam 方法，使训练更快收敛，提高准确率。
Metrics：模型观测参数（指标列表 ） 。包含评估模型训练和测试性能的指标，典型用法是metrics=[‘accuracy‘]。指标可是一个预定义指标的名字,也可是一个用户定制的函数。指标函
数应返回单个张量,或一个完成metric_name - > metric_value映射的字典。 metrics是为了直观地了解算法的效果，充当view的作用，并不参与到优化过程。
2.开始训练
train_history=model.fit(x=x_Train4D_normalize,
y=y_TrainOneHot,validation_split=0.2,
epochs=10, batch_size=300,verbose=2)
使用model.fit进行训练。前两个参数传入训练样本和它们的标记。训练过程存储在train_history变量中，需输入以下参数：
（1）输入训练数据参数
x=x_Train4D_normalize（features,数字图像的特征值）
y=y_TrainOneHot（label ,数字图像的真实值）
（2）设置训练与验证数据比例
validation_split=0.2 80%做训练数据，20%做验证数据。
（3）设置epochs（训练周期）次数与每一批次项数
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论