使用Keras构造简单的CNN网络实例
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binaryclassmatrices，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
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
#生成一个model
model=Sequential()
#layer1-conv1
model.add(Convolution2D(16,3,3,border_mode='valid',input_shape=data.shape[-3:]))
model.add(Activation('tanh'))#tanh
#layer2-conv2
model.add(Convolution2D(32,3,3,border_mode='valid'))
model.add(Activation('tanh'))#tanh
#layer3-conv3
model.add(Convolution2D(32,3,3,border_mode='valid'))
model.add(Activation('tanh'))#tanh
#layer4
model.add(Flatten())
model.add(Dense(128,init='normal'))
model.add(Activation('tanh'))#tanh
#layer5-fullyconnect
model.add(Dense(numClass,init='normal'))
model.add(Activation('softmax'))
#
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
补充知识：keras多分类一些函数参数设置
用Lenet-5识别Mnist数据集为例子：
采用下载好的Mnist数据压缩包转换成PNG图片数据集,加载图片采用keras图像预处理模块中的ImageDataGenerator。
首先import所需要的模块
fromkeras.preprocessing.imageimportImageDataGenerator fromkeras.modelsimportModel fromkeras.layersimportMaxPooling2D,Input,Convolution2D fromkeras.layersimportDropout,Flatten,Dense fromkerasimportbackendasK
定义图像数据信息及训练参数
img_width,img_height=28,28 train_data_dir='dataMnist/train'#traindatadirectory validation_data_dir='dataMnist/validation'#validationdatadirectory nb_train_samples=60000 nb_validation_samples=10000 epochs=50 batch_size=32
判断使用的后台
ifK.image_dim_ordering()=='th': input_shape=(3,img_width,img_height) else: input_shape=(img_width,img_height,3)
网络模型定义
主要注意最后的输出层定义
比如Mnist数据集是要对0~9这10种手写字符进行分类，那么网络的输出层就应该输出一个10维的向量，10维向量的每一维代表该类别的预测概率，所以此处输出层的定义为：
x=Dense(10,activation='softmax')(x)
此处因为是多分类问题，Dense()的第一个参数代表输出层节点数，要输出10类则此项值为10，激活函数采用softmax，如果是二分类问题第一个参数可以是1，激活函数可选sigmoid
img_input=Input(shape=input_shape) x=Convolution2D(32,3,3,activation='relu',border_mode='same')(img_input) x=MaxPooling2D((2,2),strides=(2,2),border_mode='same')(x) x=Convolution2D(32,3,3,activation='relu',border_mode='same')(x) x=MaxPooling2D((2,2),strides=(2,2),border_mode='same')(x) x=Convolution2D(64,3,3,activation='relu',border_mode='same')(x) x=MaxPooling2D((2,2),strides=(2,2),border_mode='same')(x) x=Flatten(name='flatten')(x) x=Dense(64,activation='relu')(x) x=Dropout(0.5)(x) x=Dense(10,activation='softmax')(x) model=Model(img_input,x) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.summary()
利用ImageDataGenerator传入图像数据集
注意用ImageDataGenerator的方法.flow_from_directory()加载图片数据流时，参数class_mode要设为‘categorical'，如果是二分类问题该值可设为‘binary',另外要设置classes参数为10种类别数字所在文件夹的名字，以列表的形式传入。
train_datagen=ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) #thisistheaugmentationconfigurationwewillusefortesting: #onlyrescaling test_datagen=ImageDataGenerator(rescale=1./255) train_generator=train_datagen.flow_from_directory( train_data_dir, target_size=(img_width,img_height), batch_size=batch_size, class_mode='categorical',#多分类问题设为'categorical' classes=['0','1','2','3','4','5','6','7','8','9']#十种数字图片所在文件夹的名字 ) validation_generator=test_datagen.flow_from_directory( validation_data_dir, target_size=(img_width,img_height), batch_size=batch_size, class_mode='categorical' )
训练和保存模型及权值
model.fit_generator(
train_generator,
samples_per_epoch=nb_train_samples,
nb_epoch=epochs,
validation_data=validation_generator,
nb_val_samples=nb_validation_samples
)
model.save_weights('Mnist123weight.h5')
model.save('Mnist123model.h5')
至此训练结束
图片预测
注意model.save()可以将模型以及权值一起保存，而model.save_weights()只保存了网络权值，此时如果要进行预测，必须定义有和训练出该权值所用的网络结构一模一样的一个网络。
此处利用keras.models中的load_model方法加载model.save()所保存的模型，以恢复网络结构和参数。
fromkeras.modelsimportload_model
fromkeras.preprocessing.imageimportimg_to_array,load_img
importnumpyasnp
classes=['0','1','2','3','4','5','6','7','8','9']
model=load_model('Mnist123model.h5')
whileTrue:
img_addr=input('Pleaseinputyourimageaddress:')
ifimg_addr=="exit":
break
else:
img=load_img(img_addr,False,target_size=(28,28))
x=img_to_array(img)/255.0
x=np.expand_dims(x,axis=0)
result=model.predict(x)
ind=np.argmax(result,1)
print('thisisa',classes[ind])
以上这篇使用Keras构造简单的CNN网络实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。