3、卷积神经元网络CNN--提高计算机视觉精度
卷积比全连接花费时间长，但精确度更高，loss更少
MaxPooling：卷积后处理，增强图像特征，减少数据,1/4
Conv2D：两维卷积层，64个过滤器，3x3像素/个
model = keras.Sequential([ #卷积 keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)), keras.layers.MaxPooling2D(2*2),#2x2=4个像素 keras.layers.Conv2D(64,(3,3),activation='relu'), keras.layers.MaxPooling2D(2*2), #原有 keras.layers.Flatten(), keras.layers.Dense(128,activation='relu'), keras.layers.Dense(10,activation='softmax')
])
完整： import tensorflow as tf from tensorflow import keras
#加载数据集 fashion_mnist = keras.datasets.fashion_mnist (train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data()
#数据转换为[0,1]之间的数
train_images=train_images/255
#构建模型
model = keras.Sequential([
#卷积
keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)),
keras.layers.MaxPooling2D(2,2),#2x2=4个像素
keras.layers.Conv2D(64,(3,3),activation='relu'),
keras.layers.MaxPooling2D(2,2),
#原有
keras.layers.Flatten(),
keras.layers.Dense(128,activation=tf.nn.relu),
keras.layers.Dense(10,activation=tf.nn.softmax)
])
#训练模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(train_images.reshape(-1,28,28,1),train_labels,epochs=5)
#查看模型结构
model.summary()
模型结构如下
_________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 26, 26, 64) 640 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 13, 13, 64) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 11, 11, 64) 36928 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64) 0 _________________________________________________________________ flatten (Flatten) (None, 1600) 0 _________________________________________________________________ dense (Dense) (None, 128) 204928 _________________________________________________________________ dense_1 (Dense) (None, 10) 1290 =================================================================
解释
#卷积
第一层Conv2D：输入28*28，过滤器3*3，所以26*26个像素尺寸，64个过滤器，1张图-->64张图
（3*3+1）*64=640，过滤器+一个bias
第二层MaxPooling：26÷2=13,26÷2=13,64个过滤器
第三层Conv2D：输入13*13，过虑器3*3，所以11*11个像素尺寸
（3*3*64+1）*64=36928
第四层MaxPooling：11÷2=5,11÷2=5，64个过滤器
#原有
第五层Flatten：展开，5*5*64=1600
第六层Dense：自定义
第七层Dense：自定义
查看每层结构
import matplotlib.pyplot as plt layer_outputs=[layer.output for layer in model.layers] activation_model=tf.keras.models.Model(inputs=model.input,outputs=layer_outputs) pred = activation_model.predict(test_images[0].reshape(1,28,28,1)) pred[0].shape#输出第一层：(1, 26, 26, 64) #查看图片 plt.imshow(pred[0][0,:,:,0])#取第一个过滤器