Keras：2.3 keras实现卷积神经网络

2.3 keras实现卷积神经网络

CNN（Convolutional Neural Networks）卷积神经网络在 keras 上的代码实现。 用到的数据集还是MNIST。不同的是这次用到的层比较多，导入的模块也相应增加了一些。

下面直接进入代码部分：

1 导入数据

import numpy as npnp.random.seed(1337)  # for reproducibilityfrom keras.datasets import mnistfrom keras.utils import np_utilsfrom keras.models import Sequentialfrom keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flattenfrom keras.optimizers import Adam# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called# X shape (60,000 28x28), y shape (10,000, )(X_train, y_train), (X_test, y_test) = mnist.load_data()

数据预处理

# data pre-processingX_train = X_train.reshape(-1, 1,28, 28)/255.X_test = X_test.reshape(-1, 1,28, 28)/255.y_train = np_utils.to_categorical(y_train, num_classes=10)y_test = np_utils.to_categorical(y_test, num_classes=10)

2 构造模型

开始构造模型

# Another way to build your CNNmodel = Sequential()

添加第一层卷基层

# Conv layer 1 output shape (32, 28, 28)model.add(Convolution2D(    batch_input_shape=(64, 1, 28, 28),    filters=32,     kernel_size=5,  # 滤波器边长    strides=1,      # 步数    padding='same',     # Padding method    data_format='channels_first', # 以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。))model.add(Activation('relu'))

第一层 pooling（池化，下采样），分辨率长宽各降低一半，输出数据shape为（32，14，14）

# Pooling layer 1 (max pooling) output shape (32, 14, 14)model.add(MaxPooling2D(    pool_size=2,    strides=2,    padding='same',    # Padding method    data_format='channels_first',))

第二层卷积和第二层pooling

# Conv layer 2 output shape (64, 14, 14)model.add(Convolution2D(64, 5, strides=1, padding='same', data_format='channels_first'))model.add(Activation('relu'))# Pooling layer 2 (max pooling) output shape (64, 7, 7)model.add(MaxPooling2D(2, 2, 'same', data_format='channels_first'))

经过以上处理之后数据shape为（64，7，7），需要将数据抹平成一维，再添加全连接层1

model.add(Flatten())model.add(Dense(1024))model.add(Activation('relu'))

添加全连接层2（即输出层）

model.add(Dense(10))model.add(Activation('softmax'))

3 训练

设置adam优化方法，loss函数, metrics方法来观察输出结果

model.compile(optimizer=adam,              loss='categorical_crossentropy',              metrics=['accuracy'])

开始训练模型

model.fit(X_train, y_train, epoch=1, batch_size=32,)

输出test的loss和accuracy结果

4 所有代码：