卷积神经网络(CNN)
本教程演示如何训练一个简单的卷积神经网络(CNN)来对CIFAR图像进行分类。由于本教程使用Keras Sequential API，创建和训练我们的模型只需要几行代码。
下载并准备CIFAR10数据集
CIFAR10数据集包含10个类中的60000张彩色图像，每个类中有6000张图像。数据集分为50,000张训练图像和10,000张测试图像。这些类是互斥的，它们之间不存在重叠。
验证数据
为了验证数据集看起来是正确的，让我们绘制来自训练集的前25张图像，并在每张图像下面显示类名。
class_names < -c（“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”）指数< -1：30.票面价值（mfcol =c（5，6)，3月=代表（1，4)，oma =代表（0.2，4）)cifar＄火车＄x[…]索引% > %purrr：：array_tree（1）% > %purrr：：set_names(class_names [cifar＄火车＄y(指数)+1]）% > %purrr：：地图(as.rastermax =255）% > %purrr：：我走（～｛情节(方式);标题(.y)})
创建卷积基
下面的6行代码使用一个通用模式定义卷积基:Conv2D和MaxPooling2D层的堆栈。
作为输入，CNN接受形状的张量(image_height, image_width, color_channels)，忽略批大小。如果您对这些维度不熟悉，那么color_channels指的是(R,G,B)。在本例中，您将配置我们的CNN来处理形状(32,32,3)的输入，这是CIFAR图像的格式。您可以通过传递参数来实现这一点input_shape到第一层。
模型< -keras_model_sequential（）% > %layer_conv_2d（过滤器=32，kernel_size =c（3.，3.)，激活=“relu”，input_shape =c（32，32，3.）)% > %layer_max_pooling_2d（pool_size =c（2，2）)% > %layer_conv_2d（过滤器=64，kernel_size =c（3.，3.)，激活=“relu”）% > %layer_max_pooling_2d（pool_size =c（2，2）)% > %layer_conv_2d（过滤器=64，kernel_size =c（3.，3.)，激活=“relu”）让我们显示到目前为止模型的体系结构。
总结(模型)# #模型:“顺序 " ## ___________________________________________________________________________ ## 输出层(类型)的形状参数 # ## =========================================================================== ## conv2d (conv2d)(没有,30、30、32)896 ## ___________________________________________________________________________ ## max_pooling2d (MaxPooling2D)(32)没有,15日,15日,0 ## ___________________________________________________________________________ ## conv2d_1 (Conv2D)(13, 13日,64) 18496 ## ___________________________________________________________________________ ## max_pooling2d_1 (MaxPooling2D)(没有6 64)0 ## ___________________________________________________________________________ ## conv2d_2 (Conv2D)(没有4 64)36928 ## =========================================================================== ## 总参数:56320 # #可训练的参数:56320 # # Non-trainable参数:0 ## ___________________________________________________________________________在上面，你可以看到每个Conv2D和MaxPooling2D层的输出是一个形状的3D张量(高度，宽度，通道)。宽度和高度维度会随着你深入网络而缩小。每个Conv2D层的输出通道的数量由第一个参数控制(例如，32或64)。通常，随着宽度和高度的缩小，您可以(通过计算)在每个Conv2D层中添加更多的输出通道。
在顶部添加密集的层
为了完成我们的模型，您将把卷积基(形状(3,3,64))的最后一个输出张量输入到一个或多个密集层来进行分类。稠密层以向量作为输入(为1D)，而当前的输出是一个3D张量。首先，您将3D输出平铺(或展开)为1D，然后在上面添加一个或多个密集层。CIFAR有10个输出类，因此您使用最后一个带有10个输出和一个softmax激活的密集层。
模型% > %layer_flatten（）% > %layer_dense（单位=64，激活=“relu”）% > %layer_dense（单位=10，激活=“softmax”）下面是我们模型的完整架构。
请注意Keras模型是可变的对象，您不需要在上面的chubnk中重新分配模型。
总结(模型)# #模型:“顺序 " ## ___________________________________________________________________________ ## 输出层(类型)的形状参数 # ## =========================================================================== ## conv2d (conv2d)(没有,30、30、32)896 ## ___________________________________________________________________________ ## max_pooling2d (MaxPooling2D)(32)没有,15日,15日,0 ## ___________________________________________________________________________ ## conv2d_1 (Conv2D)(13, 13日,64) 18496 ## ___________________________________________________________________________ ## max_pooling2d_1 (MaxPooling2D)(没有6 64)0 ## ___________________________________________________________________________ ## conv2d_2 (Conv2D)(没有4 64)36928 ## ___________________________________________________________________________ ## 平(平)(没有,1024)0 ## ___________________________________________________________________________ ## 密度(密度)(没有,64) 65600 ## ___________________________________________________________________________ ## dense_1(致密)(没有,10)650 ## =========================================================================== ## 总参数:122570 # #可训练的参数:122570 # # Non-trainable参数:0 ## ___________________________________________________________________________如您所见，我们的(3,3,64)输出在经过两个密集层之前被平展成形状为(576)的向量。
编译和训练模型
模型% > %编译（优化器=“亚当”，损失=“sparse_categorical_crossentropy”，指标=“准确性”）< -历史模型% > %适合（x =cifar＄火车＄x,y =cifar＄火车＄y,时代=10，validation_data =unname(cifar＄测试),verbose =2）# #火车在50000个样本,验证10000个样本33 # #时代1/10 # # 50000/50000 - s -损失:1.8909 -准确性:0.3912 - val_loss: 1.4419 - val_accuracy: 0.4769 # #时代2/10 # # 50000/50000 - 31 s -损失:1.3519 -准确性:0.5165 - val_loss: 1.3589 - val_accuracy: 0.5253 # #时代3/10 # # 50000/50000 - 32 s -损失:1.1962 -准确性:0.5797 - val_loss: 1.1695 - val_accuracy: 0.5867 # #时代4/10 # # 50000/50000 - 34 s -损失:1.0811 -准确性:0.6243 - val_loss: 1.1108 - val_accuracy:0.6217 # #时代5/10 # # 50000/50000 - 34 s -损失:1.0010 -准确性:0.6516 - val_loss: 1.0483 - val_accuracy: 0.6463 # #时代33 # # 50000/50000——6/10 s -损失:0.9441 -准确性:0.6725 - val_loss: 1.0655 - val_accuracy: 0.6376 # #时代33 # # 50000/50000——7/10 s -损失:0.8754 -准确性:0.6966 - val_loss: 1.0486 - val_accuracy: 0.6528 # #时代33 # # 50000/50000——8/10 s -损失:0.8300 -准确性:0.7127 - val_loss: 1.1089 - val_accuracy: 0.6313 # #时代33 # # 50000/50000——9/10 s -损失:0.7887 -精度:0.7246 - val_loss: 1.0807 - val_accuracy: 0.6439 ## Epoch 10/10 ## 50000/50000 - 34s - loss: 0.7503 - accuracy: 0.7398 - val_loss: 1.0982 - val_accuracy: 0.6576