前言
機(jī)器學(xué)習(xí)相關(guān)的框架也很多，我這里選擇了==keras== keras中文文檔,，后端采用的==tensorflow== 官方網(wǎng)站 ,。那么理所當(dāng)然的，會(huì)用到python來開發(fā),，沒有python經(jīng)驗(yàn)也莫慌,，影響并不大。
卷積神經(jīng)網(wǎng)絡(luò)CNN淺析
這里借用了一個(gè)分辨 
我們來看個(gè)小小的例子,，如果下面兩張圖,，需要分類出喜歡和不喜歡兩類,，那么你會(huì)提取什么作為區(qū)分的特征？(手動(dòng)滑稽)  卷積層所以對(duì)于CNN而言,，第一步就是提取特征,，卷積就是提取猜測(cè)特征的神奇手段,。而我們不需要指定特征,，任憑它自己去猜測(cè),，就像上圖，我們只需要告訴它,，我們喜歡左邊的,，不喜歡右邊的，然后它就去猜測(cè),，區(qū)分喜不喜歡的特征是黑絲,，還是奶子呢？ 
     看完上面的,，估計(jì)你也能看出特征是如何去匹配輸入的，這就是一個(gè)卷積的過程,，具體的卷積計(jì)算過程如下(只展示部分)：
池化層
常用的就是2x2的最大池。
全連接層
一個(gè)基本的卷積神經(jīng)網(wǎng)絡(luò)就是這樣子的?；仡櫼幌?，它的結(jié)構(gòu)：
CNN實(shí)現(xiàn)手寫數(shù)字識(shí)別感覺，這個(gè)mnist的手寫數(shù)字,，跟其他語言的helloworld一樣了,。我們這里來簡(jiǎn)單實(shí)現(xiàn)下。首先,，我建議你先下載好數(shù)據(jù)集，keras的下載太慢了下載地址 下載好以后,，按下面的位置放,，你可能要先運(yùn)行下程序,，讓他自己創(chuàng)建文件夾，不然,，你就手動(dòng)創(chuàng)建吧,。 新建個(gè)python文件， #coding: utf-8
from keras.datasets import mnist
import matplotlib.pyplot as plt
# 加載數(shù)據(jù)
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 展示下第一張圖
plt.imshow(X_train[0], cmap=plt.get_cmap('PuBuGn_r'))
plt.show()運(yùn)行后出來張圖片,，然后關(guān)掉就行,，這里只是看看我們加載數(shù)據(jù)有沒有問題。 #coding: utf-8
#Simple CNN
import numpy
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Flatten
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.utils import np_utils
seed = 7
numpy.random.seed(seed)
#加載數(shù)據(jù)
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# reshape to be [samples][channels][width][height]
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')
X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')
# normalize inputs from 0-255 to 0-1
X_train = X_train / 255
X_test = X_test / 255
# one hot encode outputs
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
num_classes = y_test.shape[1]
# 簡(jiǎn)單的CNN模型
def baseline_model():
# create model
model = Sequential()
#卷積層
model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu'))
#池化層
model.add(MaxPooling2D(pool_size=(2, 2)))
#卷積
model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu'))
#池化
model.add(MaxPooling2D(pool_size=(2, 2)))
#全連接，然后輸出
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
# build the model
model = baseline_model()
# Fit the model
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=128, verbose=2)代碼也挺簡(jiǎn)單,，因?yàn)閗eras也是封裝的挺好的了,。基本你看懂了前面的就沒問題,。 Epoch 1/10
3s - loss: 0.2791 - acc: 0.9203 - val_loss: 0.1420 - val_acc: 0.9579
Epoch 2/10
3s - loss: 0.1122 - acc: 0.9679 - val_loss: 0.0992 - val_acc: 0.9699
Epoch 3/10
3s - loss: 0.0724 - acc: 0.9790 - val_loss: 0.0784 - val_acc: 0.9745
Epoch 4/10
3s - loss: 0.0509 - acc: 0.9853 - val_loss: 0.0774 - val_acc: 0.9773
Epoch 5/10
3s - loss: 0.0366 - acc: 0.9898 - val_loss: 0.0626 - val_acc: 0.9794
Epoch 6/10
3s - loss: 0.0265 - acc: 0.9930 - val_loss: 0.0639 - val_acc: 0.9797
Epoch 7/10
3s - loss: 0.0185 - acc: 0.9956 - val_loss: 0.0611 - val_acc: 0.9811
Epoch 8/10
3s - loss: 0.0150 - acc: 0.9967 - val_loss: 0.0616 - val_acc: 0.9816
Epoch 9/10
4s - loss: 0.0107 - acc: 0.9980 - val_loss: 0.0604 - val_acc: 0.9821
Epoch 10/10
4s - loss: 0.0073 - acc: 0.9988 - val_loss: 0.0611 - val_acc: 0.9819然后你就能看到這些輸出,，acc就是準(zhǔn)確率了，看后面的val_acc就行,。 |
|
|
