知識(shí)點(diǎn)

卷積：用原始像素?cái)?shù)據(jù)與過(guò)濾器中的值相乘，以后加起來(lái)。

如下是增強(qiáng)水平特征的過(guò)濾器。

MaxPooling:每次卷積結(jié)束以后用一個(gè)MaxPooling用來(lái)增強(qiáng)圖像的特征。

可以看出經(jīng)過(guò)MaxPooling以后的圖像，豎直特征增強(qiáng)了很多，像素也小了一半。

程序構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

以下是導(dǎo)入庫(kù)以及數(shù)據(jù)

#設(shè)置顯卡內(nèi)存使用率，根據(jù)使用率占用 import os os.environ["TF_FORCE_GPU_ALLOW_GROWTH"] = "true" #引入必要的庫(kù) import tensorflow as tf print(tf.__version__) from tensorflow import keras import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns #基于matplotlib繪制圖像封裝的 import numpy as npfashion_mnist = keras.datasets.fashion_mnist #導(dǎo)入數(shù)據(jù)集 (train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data() #導(dǎo)入數(shù)據(jù)集

以下是構(gòu)建神經(jīng)網(wǎng)絡(luò)模型

model = keras.Sequential() #創(chuàng)建一個(gè)前向傳播模型 #輸入層，平鋪展開(kāi)，28*28個(gè)參數(shù)輸入 model.add(keras.layers.Conv2D(64,(3,3),#添加一個(gè)卷積層64個(gè)過(guò)濾器,每個(gè)過(guò)濾器的尺寸3*3activation = tf.nn.relu, #添加激活函數(shù)input_shape = (28,28,1)) #輸入?yún)?shù)為28*28*1一個(gè)通道的數(shù)據(jù)) model.add(keras.layers.MaxPooling2D(2,2))#第二層卷積 model.add(keras.layers.Conv2D(64,(3,3),#添加一個(gè)卷積層64個(gè)過(guò)濾器,每個(gè)過(guò)濾器的尺寸3*3activation = tf.nn.relu) #添加激活函數(shù)) model.add(keras.layers.MaxPooling2D(2,2))model.add(keras.layers.Flatten()) #展開(kāi)層 model.add(keras.layers.Dense(128,activation=tf.nn.relu)) #輸出層使用softmax做分類 model.add(keras.layers.Dense(10,activation=tf.nn.softmax))model.summary() #展示層的樣子 #第一層 卷積少兩個(gè)像素26*26 （3*3+1）*64 #第二層 MaxPooling 長(zhǎng)寬變成1/4 #第三層 再少兩個(gè)像素 #

開(kāi)始訓(xùn)練

#為模型裝配優(yōu)化器，損失函數(shù) train_images_scaled = train_images/255 #歸一化變成0~1之間數(shù) #使用Adam優(yōu)化器，交叉熵?fù)p失函數(shù) model.compile(optimizer=tf.optimizers.Adam(),loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy']) history = model.fit(train_images_scaled.reshape(-1,28,28,1), #按照列來(lái)變成n*28*28，-1，表示由世紀(jì)情況而定train_labels,epochs=20,validation_split=0.3,shuffle=True)

繪制訓(xùn)練結(jié)果

epochs = len(history.history['loss']) #獲取X軸長(zhǎng)度fig, axes = plt.subplots(2, sharex=True, figsize=(12, 8)) fig.suptitle('Training Metrics')axes[0].set_ylabel("Loss", fontsize=14) axes[0].set_xlabel("Epoch", fontsize=14) axes[0].plot(range(epochs),history.history['loss'], label='Loss') axes[0].plot(range(epochs),history.history['val_loss'], label='Loss') plt.legend()axes[1].set_ylabel("Accuracy(%)", fontsize=14) axes[1].set_xlabel("Epoch", fontsize=14) axes[1].plot(range(epochs),history.history['accuracy'], label='Accuracy') axes[1].plot(range(epochs),history.history['val_accuracy'], label='Val_accuracy') # plt.savefig('./epoch.jpg') # plt.suptitle('自定義圖表', fontsize=400, ha='center') # 即標(biāo)題在x軸和y軸形成的方框內(nèi)部，如下圖（詳細(xì)用法見(jiàn)下注釋）。如果需要標(biāo)題在這上方，使用 plt.title(blabla) plt.legend() plt.show()

可以看到卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，準(zhǔn)確率比全連接的高很多。

總結(jié)

以上是生活随笔為你收集整理的TensorFlow官方入门实操课程-卷积神经网络的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。