Keras如何构造简单的CNN网络

1. 导入各种模块

基本形式为：

import 模块名

from 某个文件 import 某个模块

 

2. 导入数据（以两类分类问题为例，即numClass = 2）

训练集数据data

可以看到，data是一个四维的ndarray

 

训练集的标签

 

3. 将导入的数据转化我keras可以接受的数据格式 

keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转化，利用keras提高的to_categorical函数

[python] view plain copy

1. label = np_utils.to_categorical(label, numClass  

此时的label变为了如下形式 

（注：PyCharm无法显示那么多的数据，所以下面才只显示了1000个数据，实际上该例子所示的数据集有1223个数据）

　　

4. 建立CNN模型

以下图所示的CNN网络为例

[python] view plain copy

1. #生成一个model  
2. model = Sequential()  
3.   
4. #layer1-conv1  
5. model.add(Convolution2D(16, 3, 3, border_mode='valid',input_shape=data.shape[-3:]))  
6. model.add(Activation('tanh'))#tanh  
7.   
8. # layer2-conv2  
9. model.add(Convolution2D(32, 3, 3, border_mode='valid'))  
10. model.add(Activation('tanh'))#tanh  
11.   
12. # layer3-conv3  
13. model.add(Convolution2D(32, 3, 3, border_mode='valid'))  
14. model.add(Activation('tanh'))#tanh  
15.   
16. # layer4  
17. model.add(Flatten())  
18. model.add(Dense(128, init='normal'))  
19. model.add(Activation('tanh'))#tanh  
20.   
21. # layer5-fully connect  
22. model.add(Dense(numClass, init='normal'))   
23. model.add(Activation('softmax'))<br><br>  

#  
sgd = SGD(l2=0.1,lr=0.001, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")

5. 开始训练model

利用model.train_on_batch或者model.fit

FROM：http://blog.csdn.net/tina_ttl/article/details/51034821