个人资料
我最近的文章是关于卷积网络，其工作和组件： 本文使用卷积神经网络执行图像分类，详细了解所有步骤。 因此，如果您不熟悉这个，请继续阅读。
简单来说，CNN是一种深度学习算法，也是适合图像和视频的神经网络类型之一。 可以通过CNN实现各种功能。 其中包括图像分类、图像识别、目标检测、人脸识别等。
今天，我们将对Tensorflow库的一部分3358www.Sina.com/运行CIFAR10 数据集。 它由船舶、青蛙、飞机、狗、汽车等各种物体的图像组成。 此数据集有60，000张彩色图像和10个标签。 现在进入代码部分吧。
# importingnecessarylibrariesimportnumpyasnpimportmatplotlib.pyplotasplt % matplotlibinline # 实施的toconverttocategoricaldatafromtensorflow.keras.utilsimportto _ categorical # ibrariesforbuildingmodelfromtensorflow.keras.modelsimportsequentialfromtensorflow.keras.layersimportdense，Conv2D， keras.layersimportdense flattenfromtensorflow.keras.datasetsimportcifar 10 # loading the data (x _ train，y_train )，) y_test(=CIFAR10.load_data ) )探索性数据分析# shapeofthedatasetprint (x _ train.shape ) print ) y_train.shape )
我们的训练数据有50，000张图像，测试数据有10，000张图像，大小为32*32和3个通道，即RGB (红、绿、蓝)
# checkingthelabelsnp.unique (y _ train ) )
# firstimageoftrainingdataplt.subplot (121 ) PLT.imshow(x_train[0] ) PLT.title (标签： { } '.format ) )
#可视化the first 20 imagesinthedatasetforiinrange (20 ) : # subplot PLT.subplot (5，5，i 1 ) # plotttingpixeldataplpllot
预处理数据可以只针对数据预处理执行两个步骤。图像分类，以及首先是缩放图像的像素值到0到1之间
# scalethedatatoliebetween0to 1x _ train=x _ train/255 x _ test=x _ test/255 print (
# reshapingthetrainandtestlablesto 1dy _ train=y _ train.reshape (-1，) y_test=y_test.reshape(-1，)上的图中现在来构建CNN模型吧。
模型构建正如前面讨论的那样，深度学习模型的构建分为模型定义、编译、拟合、模型评估和预测五个步骤。 这也在这里进行。
步骤1 :模型模型=sequential (# addingthefirstconvolutionlayermodel.add (conv 2d ) 32，(3，3 )，activation='relu ' 定义3 ) ) addingmaxpoolinglayermodel.add (max pool 2d (2，2 ) ) addinganotherconvolutionlayermodel.add ) conv2d(64，
add(Dense(216,activation='relu'))#adding output layermodel.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，并为模型提供输入形状。
接下来添加了大小为 (2*2)的Max Pooling 层。最大池化有助于减少维度。CNN 组件的解释请参考：https://www.analyticsvidhya.com/blog/2021/08/beginners-guide-to-convolutional-neural-network-with-implementation-in-python/
然后我们又添加了一个卷积层， 其中包含 64 个大小为(3*3) 的过滤器 和一个大小为 (2*2)的 最大池化层
在下一步中，我们将层展平以将它们传递到 Dense 层，并添加了一个包含 216 个神经元的Dense 层。
最后，输出层添加了一个 softmax 激活函数，因为我们有 10 个标签。
第 2 步：编译模型 model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['accuracy']) 第 3 步：拟合模型 model.fit(X_train,y_train,epochs=10)如上图所示，我们的准确率为 89%，损失为 0.31。让我们看看测试数据的准确性。
第 4 步：评估模型 model.evaluate(X_test,y_test)测试数据的准确率为 69%，与训练数据相比非常低，这意味着我们的模型过度拟合。
第 5 步：进行预测 pred=model.predict(X_test)#printing the first element from predicted dataprint(pred[0])#printing the index of print('Index:',np.argmax(pred[0]))因此，预测函数给出的是所有10个标签的概率值，概率最高的标签是最终预测。在我们的例子中，我们得到了第三个索引处的标签作为预测。
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与实际值的差异。
y_classes = [np.argmax(element) for element in pred]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 Dropouts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较少。
在这里，我将展示我们如何使用 Dropout 来减少过拟合。我将为此定义一个新模型。
model4=Sequential()#adding the first Convolution layermodel4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))#adding Max pooling layermodel4.add(MaxPool2D(2,2))#adding dropoutmodel4.add(Dropout(0.2))#adding another Convolution layermodel4.add(Conv2D(64,(3,3),activation='relu'))model4.add(MaxPool2D(2,2))#adding dropoutmodel4.add(Dropout(0.2))model4.add(Flatten())#adding dense layermodel4.add(Dense(216,activation='relu'))#adding dropoutmodel4.add(Dropout(0.2))#adding output layermodel4.add(Dense(10,activation='softmax'))model4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])model4.fit(X_train,y_train,epochs=10) model4.evaluate(X_test,y_test)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），但我们得到了72%的测试准确率，这意味着过拟合的问题在一定程度上得到了解决。
尾注这就是我们在 Python 中实现 CNN 的方式。这里使用的数据集是一个简单的数据集，可用于学习目的，但一定要尝试在更大和更复杂的数据集上实现 CNN。这也将有助于发现更多挑战和解决方案。
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓