当前位置：首页 > news >正文

keras卷积处理rgb输入_用Keras搭建卷积神经网络以及使用Colaboratory

news 来源：原创 2024/4/29 6:47:49

本文我们将学习使用Keras一步一步搭建一个卷积神经网络。具体来说，我们将使用卷积神经网络对手写数字(MNIST数据集)进行识别，并达到99%以上的正确率。

我们还将介绍Colaboratory——一个免费的Jupyter notebook环境，关键的是可以免费使用GPU(学生党买不起呀)！

为什么选择Keras呢？

主要是因为简单方便。更多细节请看：https://keras.io/

什么卷积神经网络？

简单地说，卷积神经网络(CNNs)是一种多层神经网络，它可以有效地减少全连接神经网络参数量太大的问题。如果对其背后的原理感兴趣的话，斗胆推荐一些学习资料：

深度学习入门：基于Python的理论与实现

Neural Networks and Deep Learning

CS231n: Convolutional Neural Networks for Visual Recognition

下面就直接进入主题吧！

1. 搭建环境

如果想要在个人电脑上搭建的话，我们需要先安装好Python，进入：https://www.python.org/

下载安装就好。

之后，打开终端输入pip install -i https://pypi.douban.com/simple keras

输入以下命令可以确认正常安装：

python -c "import keras;print(keras.__version__)"

当然，如果想直接使用Colaboratory的话，直接打开你的Google云端硬盘

为了方便起见，新建一个名为Keras的文件夹，进入Keras文件夹，单击鼠标右键

选择Colaboratory就可新建一个Jupyter notebok啦！

如果没有看到Colaboratory这一项的话，就选择关联更多应用

搜索Colaboratory，并关联即可。

2. 导入库和模块

我们导入Sequential模型(相当于放积木的桌子)

from keras.models import Sequential

接下来，我们导入各种层(各种形状各异积木)

from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten

最后，我们导入to_categorical函数，以便之后对数据进行转换

from keras.utils import to_categorical

3. 加载数据

MNIST是一个非常有名的手写数字数据集，我们可以使用Keras轻松加载它。

from keras.datasets import mnist

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

查看一下训练集的大小

print(x_train.shape)

# (60000, 28, 28)

可以看到60000个样本，它们都是28像素x28像素的。

看一下这些手写数字长什么样

import matplotlib.pyplot as plt
%matplotlib inline
plt.imshow(x_train[0])

4. 预处理数据

使用Keras是必须显式声明输入图像深度的尺寸。例如，具有所有3个RGB通道的全色图像的深度为3。

我们的MNIST图像的深度为1，但我们必须明确声明。

也就是说，我们希望将数据集从形状(n,rows,cols)转换为(n,rows,cols,channels)。

img_x, img_y = 28, 28

x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1)
x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1)

除此之外，我们将数据标准化一下：

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

之后，将标记值(y_train, y_test)转换为One-Hot Encode的形式，至于为什么要这么做？请查看：https://machinelearningmastery.com/why-one-hot-encode-data-in-machine-learning/

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)
print(y_train.shape)
# (60000, 10)

5. 定义模型结构

我们参照下图定义一个模型结构

代码如下：

model = Sequential()
model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(10, activation='softmax'))

是不是有点搭积木的既视感？

6. 编译

现在，只需要编译模型，就可以开始训练了。当编译模型时，我们声明了损失函数和优化器（SGD，Adam等）。

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

Keras有很多损失函数和优化器供你选择。

7. 训练

接下来，我们传入训练集进行训练

model.fit(x_train, y_train, batch_size=128, epochs=10)

以下是在Colaboratory上训练的过程

以下是在个人电脑上训练的过程

可以看到，花费的时间差别还是很大的！

8. 评估模型

最后，传入测试集对模型模型进行评估

score = model.evaluate(x_test, y_test)
print('acc', score[1])
# acc 0.9926

准确率达到了%99以上！

完整代码如下：

# 2. 导入库和模块
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten
from keras.utils import to_categorical

# 3. 加载数据
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 4. 数据预处理
img_x, img_y = 28, 28
x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1)
x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 5. 定义模型结构
model = Sequential()
model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

# 7. 训练
model.fit(x_train, y_train, batch_size=128, epochs=10)

# 8. 评估模型
score = model.evaluate(x_test, y_test)
print('acc', score[1])