CNN怎么實現數字識別并改變參數

這篇文章主要講解了“CNN怎么實現數字識別并改變參數”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“CNN怎么實現數字識別并改變參數”吧！

　　1.網絡層級結構概述

　　Input layer: 輸入數據為原始訓練圖像

　　Conv1：6 個 5 * 5 的卷積核，步長 Stride 為 1

　　Pooling1：卷積核 size 為 2 * 2，步長 Stride 為 2

　　Conv2：12 個 5 * 5 的卷積核，步長 Stride 為 1

　　Pooling2：卷積核 size 為 2 * 2，步長 Stride 為 2

　　Output layer：輸出為 10 維向量

　　2.實驗基本流程

　　(1)獲取訓練數據和測試數據

　　直接使用keras里面的手寫數據集

　　from keras.datasets import mnist

　　(x_train, y_train), (x_test, y_test) = mnist.load_data()

　　(2)定義網絡層級結構

　　代碼：

　　def get_model():

　　model = Sequential()

　　model.add(Conv2D(filters=6, kernel_size=(5, 5),strides=1,activation='relu',input_shape=(28, 28, 1)))

　　model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

　　model.add(Conv2D(filters=12, kernel_size=(5, 5),strides=1,activation='relu'))

　　model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

　　model.add(Flatten())

　　#model.add(Conv2D(filters=120, kernel_size=(5, 5),activation='relu'))

　　model.add(Dense(120, activation='relu'))

　　model.add(Dense(84, activation='relu'))

　　model.add(Dropout(0.5))

　　model.add(Dense(10, activation='softmax'))

　　# 編譯模型，采用多分類的損失函數，優化器是Adadelta

　　model.compile(loss='categorical_crossentropy',

　　optimizer='Adadelta',

　　metrics=['accuracy'])

　　return model

　　(3)交叉驗證

　　直接附上代碼

　　def k_cross(data,target,bsize,epoch,sp):

　　print("------進行交叉驗證------")

　　ans=0 #交叉驗證正確率的和

　　kf = KFold(n_splits=sp, shuffle = True)

　　for train, test in kf.split(data):

　　model.fit(data[train], target[train],

　　batch_size=bsize,

　　epochs=epoch,

　　verbose=0,

　　validation_data=(data[test], target[test]))

　　score = model.evaluate(data[test], target[test], verbose=0)

　　ans+=score[1]

　　return ans/sp

　　3完整代碼

　　我這里直接就3折了，太多了運行時間太長。

　　最后完整代碼：

　　# -*- coding: utf-8 -*-

　　"""

　　Created on Tue Dec 10 15:42:27 2019

　　@author: pff

　　"""

　　from __future__ import print_function

　　import numpy as np

　　import keras

　　from keras.datasets import mnist

　　from keras.models import Sequential

　　from keras.layers import Dense, Dropout, Flatten

　　from keras.layers import Conv2D, MaxPooling2D

　　from sklearn.model_selection import KFold

　　import matplotlib.pyplot as plt

　　def getdata():

　　#提取出訓練集和測試集

　　(x_train, y_train), (x_test, y_test) = mnist.load_data()

　　x_train = x_train.astype('float32')

　　x_test = x_test.astype('float32')

　　x_train /= 255

　　x_test /= 255

　　x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)

　　x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)

　　# 采用one-hot編碼

　　y_train = keras.utils.to_categorical(y_train, 10)

　　y_test = keras.utils.to_categorical(y_test, 10)

　　#將測試集和訓練集合并，便于后面交叉驗證

　　data = np.row_stack((x_train,x_test))

　　target = np.row_stack((y_train,y_test))

　　return data, target

　　# 構建模型

　　def get_model():

　　model = Sequential()鄭州做無痛人流手術費用 http://www.zzzykdfk.com/

　　model.add(Conv2D(filters=6, kernel_size=(5, 5),strides=1,activation='relu',input_shape=(28, 28, 1)))

　　model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

　　model.add(Conv2D(filters=12, kernel_size=(5, 5),strides=1,activation='relu'))

　　model.add(MaxPooling2D(pool_size=(2, 2),strides=2))

　　model.add(Flatten())

　　#model.add(Conv2D(filters=120, kernel_size=(5, 5),activation='relu'))

　　model.add(Dense(120, activation='relu'))

　　model.add(Dense(84, activation='relu'))

　　model.add(Dropout(0.5))

　　model.add(Dense(10, activation='softmax'))

　　# 編譯模型，采用多分類的損失函數，用 Adadelta 算法做優化方法

　　model.compile(loss='categorical_crossentropy',

　　optimizer='Adadelta',

　　metrics=['accuracy'])

　　return model

　　def kcross(data,target,bsize,epoch,sp):

　　print("------進行交叉驗證------")

　　ans=0

　　kf = KFold(n_splits=sp, shuffle = True)

　　for train, test in kf.split(data):

　　#print("第{}次開始".format(i+1))

　　model.fit(data[train], target[train],

　　batch_size=bsize,

　　epochs=epoch,

　　verbose=0,

　　validation_data=(data[test], target[test]))

　　score = model.evaluate(data[test], target[test], verbose=0)

　　ans+=score[1]

　　return ans/sp

　　#畫結果圖

　　def draw(batch_size,y,epoch):

　　plt.figure()

　　plt.rcParams['font.sans-serif']='SimHei'

　　plt.ylabel('正確率')

　　plt.xlabel('batch_size')

　　plt.title('不同參數下卷積神經網絡數字識別圖')

　　for i in range(len(y)):

　　plt.scatter(batch_size, y[i], s=30, c='r', marker='x', linewidths=1)

　　plt.plot(batch_size,y[i],label="epoch："+str(epoch[i]))

　　plt.legend()

　　plt.show()

　　if __name__=="__main__":

　　data,target=getdata()

　　model=get_model()

　　'''

　　設置epoch和baitch_size參數

　　y：存儲每一次的結果

　　'''

　　epoch=[1,3,5,7]

　　size=[50,100,150,200,250]

　　y=np.zeros([4,5])

　　for i in range(len(epoch)):

　　for j in range(len(size)):

　　print("now：",i,j)

　　y[i,j]=kcross(data,target,size[j],epoch[i],3)

　　draw(size,y,epoch)

　　最后得出運行結果

感謝各位的閱讀，以上就是“CNN怎么實現數字識別并改變參數”的內容了，經過本文的學習后，相信大家對CNN怎么實現數字識別并改變參數這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！