發布時間： 2019-07-31 13:58:11
本教程演示了如何訓練簡單的卷積?神經網絡（CNN）來對MNIST數字進行分類。這個簡單的網絡將在MNIST測試集上實現99％以上的準確率。因為本教程使用Keras ?Sequential API，所以創建和訓練我們的模型只需幾行代碼。
注意：CNN使用GPU訓練更快。
?
from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf try: import tensorflow.keras as keras except: import tensorflow.python.keras as keras |
#下載預處理MNIST數據集 (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)) test_images = test_images.reshape((10000, 28, 28, 1)) # 特征縮放[0, 1]區間 train_images, test_images = train_images / 255.0, test_images / 255.0 |
下面6行代碼使用常見模式定義卷積基數： Conv2D 和MaxPooling2D層的堆棧。
作為輸入，CNN采用形狀的張量（image_height, image_width, color_channels），忽略批量大小。MNIST有一個顏色通道（因為圖像是灰度的），而彩色圖像有三個顏色通道（R,G,B）。在此示例中，我們將配置CNN以處理形狀（28,28,1）的輸入，這是MNIST圖像的格式，我們通過將參數input_shape傳遞給第一層來完成此操作。
#創建卷積基數 model = keras.models.Sequential() model.add(keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(keras.layers.MaxPooling2D((2, 2))) model.add(keras.layers.Conv2D(64, (3, 3), activation='relu')) model.add(keras.layers.MaxPooling2D((2, 2))) model.add(keras.layers.Conv2D(64, (3, 3), activation='relu')) print(model.summary()) |
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 26, 26, 32) 320
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 11, 11, 64) 18496
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 3, 3, 64) 36928
=================================================================
...
在上面，你可以看到每個Conv2D和MaxPooling2D層的輸出都是3D張量的形狀（高度，寬度，通道），隨著我們在網絡中更深入，寬度和高度大小趨于縮小，每個Conv2D層的輸出通道的數由第一個參數（例如，32或64）控制。通常，隨著寬度和高度的縮小，我們可以（計算地）在每個Conv2D層中添加更多輸出通道
為了完成我們的模型，我們將最后的輸出張量從卷積基（形狀(3,3,64)）饋送到一個或多個密集層中以執行分類。密集層將矢量作為輸入（1D），而當前輸出是3D張量。首先，我們將3D輸出展平（或展開）為1D，然后在頂部添加一個或多個Dense層。MINST有10個輸出類，因此我們使用具有10輸出和softmax激活的最終Dense層。
model.add(keras.layers.Flatten()) model.add(keras.layers.Dense(64, activation='relu')) model.add(keras.layers.Dense(10, activation='softmax')) print(model.summary()) # 顯示模型的架構 |
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 26, 26, 32) 320
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 11, 11, 64) 18496
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 3, 3, 64) 36928
_________________________________________________________________
flatten (Flatten) (None, 576) 0
_________________________________________________________________
dense (Dense) (None, 64) 36928
_________________________________________________________________
dense_1 (Dense) (None, 10) 650
=================================================================
...
從上面可以看出，在通過兩個密集層之前，我們的(3,3,64)輸出被展平為矢量（576）。
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=5) |
...
Epoch 5/5
60000/60000 [==============================] - 15s 258us/sample - loss: 0.0190 - accuracy: 0.9941
#評估模型 test_loss, test_acc = model.evaluate(test_images, test_labels) print(test_acc) |
10000/10000 [==============================] - 1s 92us/sample - loss: 0.0272 - accuracy: 0.9921
0.9921
如你所見，我們簡單的CNN已經達到了超過99%的測試精度，這幾行代碼還不錯。另一種編寫CNN的方式here（使用Keras Subclassing API和GradientTape）。
本實驗利用網上已有的北京房價數據集預測了北京的房價，實現了TensorFlow的線性回歸應用。
18922156670
