基于keras建立简单的CNN

开发环境：
Win10 Anaconda3 Python3.6
处理器：AMD A8-7100 Radeon R5,8 Compute Cores 4C+4G

数据集：
mnist

准备工作：
安装theano 

pip install theano

(此处注意最好安装>0.8版本的，不然后面可能出bug)
安装keras

pip install keras

安装data

pip install data

了解backend
个人对backend理解就是这个网络的底层架构是基于什么搭建的。初次安装keras，默认的backend是tensorflow，但是目前看来theano比TensorFlow更灵活，适应的环境更多，更主要的是我是用的是theano。。。。
首先可以在工作区输入

import keras

你会得到一个反馈
using tensorflow backend（第一次安装使用时）
比较简单的修改方法：
在.keras.里面有个keras.json的文件，打开，把有tensorflow的那一行里面的tensorflow改成theano，然后全部复制，删除掉这里面的代码，在粘贴（貌似不这么做就没用，虽然只改了一个tensorflow）
这个时候在python里面再试着输入

import keras

就会反馈
using theano backend




开始搭建CNN：
（正片开始）
这次我们尝试搭建一个含有两个卷积层两个下采样层（池化层）两个全连接层的CNN
因为keras本身具有很多函数，所以在搭建的时候会省事很多

from keras.datasets import mnist

调用的数据（没有没关系，第一次运行的时候 会自动下载，所以也要保证有网。。。）

from keras.models import Sequential

用于模型初始化

from keras.layers import Convolution2D,Activation,MaxPooling2D,Flatten,Dense

隐含层所需要用得函数，其中Convolution2D是卷积层；Activation是激活函数；MaxPooling2D作为池化层；Flatten是起到将多维输入一维化的函数；Dense是全连接层

from keras.optimizers import Adam

优化方法Adam，还有很多其他的方法，详情见http://blog.csdn.net/niuwei22007/article/details/49131393

from keras.utils import np_utils

用于创建标签

初始化一个模型

model = Sequential()

主要的说一下卷积层，池化层
因为本身具有的函数，所以直接调用

model.add(Convolution2D(nb_filter = 32, #第一层先设置32个滤波器nb_row = 5,nb_col = 5,#设置滤波器大小为5*5padding = ‘same’#选择滤波器的扫描方式，即是否考虑边缘input_shape = (1,28,28)#初次设置卷积层需要设置输入的形状))

卷积层设置完毕
然后选择激活函数
在卷积神经网络中常用relu函数进行激活，所以，

model.add(Activation(‘relu’))

它长这样

然后下采样（池化）

model.add(MaxPooling2D(pool_size = (2,2)#设置为2*2的池化块strides = (2,2)#向右向下的步长padding = ‘same’))

这样就完成了一个卷积层和一个池化层的设置
因为第一次设置完毕后，接下来的层就可以省略的写了，也就是

model.add(Convolution2D(64,(5,5),padding = 'same'))model.add(Activation('relu'))model.add(MaxPooling2D(strides = (2,2),padding = 'same'))

接下来运用Flatten函数（因为输入的信息是一个多维的形式，所以 我们需要把它扁平化）

model.add(Flatten())model.add(Dense(1024))#加入全连接层，其中1024是节点数目model.add(Activation(‘relu’))

再搭建一层

model.add(Dense(10))#输出10个类model.add(Activation(‘softmax’))#用于分类的softmax函数

这样就完成了最核心的部分了，其他的就不一一码上了


实验结果：

我用SGD方法也尝试了下
但是效果不如这个好


实验总结：
因为有Keras的加持，编程变得简单了很多，基本就是模块搭建一样的，而且运算速度惊人的很快。第一次使用keras，也不是很了解，翻了一大堆blog，看了好多视频，才搭建出来
在这个试验中可以通过调试batch_size，epochs,以及学习率等参数来使得model变得更好

如果将数据先进行PCA处理可能会更准确，但是不知道是否存在这个模块，或者存在也不知道如何使用，就暂时没做。。







参考：
http://deeplearning.net/tutorial/lenet.html
http://blog.csdn.net/u012816943/article/details/50498251（上一篇的翻译版）
https://morvanzhou.github.io/tutorials/machine-learning/keras/
http://www.cnblogs.com/nsnow/p/4562363.html
http://blog.csdn.net/niuwei22007/article/details/49131393
http://blog.csdn.net/ycheng_sjtu/article/details/49804041
http://blog.csdn.net/u014180259/article/details/53580672

代码页：

# -*- coding: utf-8 -*-"""Created on Mon Jun 12 09:45:46 2017@author: genji"""import numpy as npnp.random.seed(1337)from keras.datasets import mnistfrom keras.models import Sequentialfrom keras.layers import Convolution2D,Activation,MaxPooling2D,Flatten,Densefrom keras.optimizers import Adamfrom keras.utils import np_utils#load data(X_train,Y_train),(X_test,Y_test) = mnist.load_data()#X.shape(60000,28,28),Y.shape(10000)#data pre_processingX_train = X_train.reshape(-1,1,28,28)X_test = X_test.reshape(-1,1,28,28)Y_train = np_utils.to_categorical(Y_train,num_classes = 10)Y_test = np_utils.to_categorical(Y_test,num_classes = 10)model = Sequential()model.add(Convolution2D(nb_filter = 32,#第一层卷积层中滤波器的个数#nb_row = 5, #滤波器的长度为5# nb_col = 5, #滤波器的宽度为5#border_mode = 'same', #padding mode 为same#input_shape = (1,28,28),))model.add(Activation('relu'))#激活函数为relumodel.add(MaxPooling2D(pool_size = (2,2),#下采样格为2*2strides = (2,2),padding = 'same', #padding mode is 'same'))model.add(Convolution2D(64,(5,5),padding = 'same'))model.add(Activation('relu'))model.add(MaxPooling2D(strides = (2,2),padding = 'same'))model.add(Flatten())#将多维的输入一维化model.add(Dense(1024))#全连接层 1024个点model.add(Activation('relu'))model.add(Dense(10))model.add(Activation('softmax'))#softmax 用于分类adam = Adam()#学习速率lr=0.0001model.compile(optimizer = adam,loss = 'categorical_crossentropy',metrics = ['accuracy'])print('Training ========== (。・`ω´・) ========')model.fit(X_train,Y_train,epochs = 1, batch_size = 64)#全部训练次数1次，每次训练批次大小64print('Testing ========== (。・`ω´・) ========')loss,accuracy = model.evaluate(X_test,Y_test)print('\nTest loss:',loss)print('\nTest accuracy',accuracy)