CNN怎么实现数字识别并改变参数-创新互联

这篇文章主要讲解了“CNN怎么实现数字识别并改变参数”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“CNN怎么实现数字识别并改变参数”吧！

　　1.网络层级结构概述

　　Input layer: 输入数据为原始训练图像

　　Conv1：6 个 5 * 5 的卷积核，步长 Stride 为 1

　　Pooling1：卷积核 size 为 2 * 2，步长 Stride 为 2

　　Conv2：12 个 5 * 5 的卷积核，步长 Stride 为 1

　　Pooling2：卷积核 size 为 2 * 2，步长 Stride 为 2

　　Output layer：输出为 10 维向量

　　2.实验基本流程

　　(1)获取训练数据和测试数据

　　直接使用keras里面的手写数据集

　　from keras.datasets import mnist

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

　　(2)定义网络层级结构

　　代码：

　　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'))

　　# 编译模型，采用多分类的损失函数，优化器是Adadelta

　　model.compile(loss='categorical_crossentropy',

　　optimizer='Adadelta',

　　metrics=['accuracy'])

　　return model

　　(3)交叉验证

　　直接附上代码

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

　　print("------进行交叉验证------")

　　ans=0 #交叉验证正确率的和

　　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完整代码

　　我这里直接就3折了，太多了运行时间太长。

　　最后完整代码：

　　# -*- 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():

　　#提取出训练集和测试集

　　(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编码

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

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

　　#将测试集和训练集合并，便于后面交叉验证

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

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

　　return data, target

　　# 构建模型

　　def get_model():

　　model = Sequential()郑州做无痛人流手术费用 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'))

　　# 编译模型，采用多分类的损失函数，用 Adadelta 算法做优化方法

　　model.compile(loss='categorical_crossentropy',

　　optimizer='Adadelta',

　　metrics=['accuracy'])

　　return model

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

　　print("------进行交叉验证------")

　　ans=0

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

　　for train, test in kf.split(data):

　　#print("第{}次开始".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

　　#画结果图

　　def draw(batch_size,y,epoch):

　　plt.figure()

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

　　plt.ylabel('正确率')

　　plt.xlabel('batch_size')

　　plt.title('不同参数下卷积神经网络数字识别图')

　　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()

　　'''

　　设置epoch和baitch_size参数

　　y：存储每一次的结果

　　'''

　　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)

　　最后得出运行结果

感谢各位的阅读，以上就是“CNN怎么实现数字识别并改变参数”的内容了，经过本文的学习后，相信大家对CNN怎么实现数字识别并改变参数这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！