卷积神经网络的基本结构,卷积神经网络的结构

　　个人资料

　　我最近的一篇文章是关于卷积网络，它的工作和组成：这篇文章使用卷积神经网络进行图像分类，详细了解了所有的步骤。所以，如果你不熟悉这个，请继续读下去。

　　简单来说，CNN是一种深度学习算法，是适合图像和视频的神经网络类型之一。通过CNN可以实现各种功能。包括图像分类、图像识别、目标检测、人脸识别等。

　　今天，我们将在3358www.Sina.com/,上运行

CIFAR10 数据集

，这是Tensorflow库的一部分。它由船只、青蛙、飞机、狗、汽车和其他物体的图像组成。这个数据集有60，000幅彩色图像和10个标签。现在让我们进入代码部分。

　　# importingnecessarylibrariesimportnumpyasnpimportmatplotlib . pyplotasplt % matplotlibinline # implementto convertetocategoricaldatafromtenorflow . keras . utilsportto _ category # ibrariesforbuildingmodelfromtensorflow . keras . modelsimportsequentialfromtensorflow . keras . layersimportdense，Conv2D，keras . layersimportdense flattenfromtensorflow . keras . datasetsimportcifar 10 #加载数据(x _ train，k

　　我们的训练数据有5万张图像，测试数据有1万张图像，大小为32*32，3个通道，即RGB(红绿蓝)。

　　# checkingthelabelsnp . unique(y _ train))

　　# firsmageoftraining data PLT . subplot(121)PLT . im show(x _ train[0])PLT . title(tag:{ } 。格式))

　　#可视化前20个图像inthedatasetforiinrange(20):# subplot PLT . subplot(5，5，I 1)# plotttingpixeldatappllot

　　数据预处理只能执行两步数据预处理。

图像分类

和

首先是缩放图像的像素值到0到1之间

。

　　# scalethedatatoliebetween 0 to 1x _ train=x _ train/255 x _ test=x _ test/255 print(

　　# reshapingtraining和testlablesot1 dy _ train=y _ train . shape(-1，)y _ test=y _ test . shape(-1，)现在我们来建立一个CNN模型。

　　模型构建如前所述，深度学习模型的构建分为五个步骤：模型定义、编译、拟合、模型评估和预测。这也是在这里进行的。

　　1:model model=sequential(# addingfirstcolutionlayermodel . add(conv2d)32，(3，3)，Activation= relu definition 3))addingmaxpoolinglayermodel . add(maxpool 2d(2，2))addinganothervolutionlayermodel . add)conv2d(64，

　　Add (dense (216，activation= Relu )# addingoutlayermodel . add(dense(10，activation= softmax ))我们添加了

第一个带有 32 个大小为 (3*3) 的过滤器的卷积层

，使用的激活函数是Relu，为模型提供输入形状。

　　接下来添加了

大小为 (2*2)的Max Pooling 层

。最大化池有助于减少维度。请参考：3359 www . analyticsvidhya . com/blog/2021/08/初学者-进化神经网络实现指南-python/

　　然后我们添加了一个大小为(3*3)的64个滤镜的

卷积层，

和一个大小为(2*2)的

最大池化层

。

　　下一步，我们将这些层展平以转移到密集层，并添加了一个具有216个神经元的密集层。

　　最后，输出层增加了一个

softmax

激活函数，因为我们有10个标签。

　　第二步：编译model.pile (optimizer= RMSProp ，loss= sparse _ category _ cross entropy ，metrics=[accuracy])第三步：拟合model.fit (x _ train，y _ train，epochs=10)

　　如上图，我们的准确率是89%，损耗是0.31。让我们看看测试数据的准确性。

　　第4步：评估模型

　　测试数据的准确率是69%，和训练数据相比是很低的，意味着

我们的模型过度拟合。

。

　　第五步：做一个预测pred=model。predict(x _ test)# printinghesilementfrompredicteddataprint(pred[0])# printinghesindexofprint( index:，np.argmax (pred [0]))

　　因此，预测函数给出了所有10个标签的概率值，概率最高的标签就是最终的预测。在我们的示例中，我们在第三个索引处获取标签作为预测。

　　将预测值与实际值进行比较，以查看模型执行的正确程度。

　　在下图中，我们可以看到预测值和实际值之间的差异。

　　y _ classes=[NP . arg max(element)forelementinpred]print( Predicted _ values:，y _ classes[:10])print( Actual _ values:，y_test[:10])

　　当我们看到我们的模型过度拟合时，我们可以使用一些额外的步骤来提高模型性能并减少过度拟合，例如向模型添加漏失或执行数据增强，因为过度拟合问题也可能是由于可用数据量少。

　　在这里，我将展示我们如何使用Dropout来减少过度拟合。我将为此定义一个新的模型。

　　model 4=Sequential()# addingthefirsconvolutionlayermodel 4 . add(Conv2D(32，(3，3)，activation=relu ，input_shape=(32，32，3))# addingmaxpoolinglayermodel 4 . add(maxpool 2d(2，2))# addingdropooutmodel 4 . add(Dropout(0.2))# addingotherconvolutionlayermodel 4 . add(Conv2D(64，(3，3)，activation= relu ))model 4 . add(maxpool 2d(2，2))。

　　模型4 .评估(X _测试，y _测试)

　　通过这个模型，我们得到了76%的训练准确率(低于第一个模型)，但是我们得到了72%的测试准确率，也就是说一定程度上解决了过拟合的问题。

　　尾注这是我们如何用Python实现CNN的。这里使用的数据集是一个简单的数据集，可以用于学习目的，但是一定要尝试在更大更复杂的数据集上实现CNN。这也将有助于发现更多的挑战和解决方案。