训练一个简单的卷积神经网络（CNN）来对CIFAR图像进行分类

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

# 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。
# 因为本教程使用Keras顺序API，所以创建和训练我们的模型只需要几行代码。
import tensorflow as tf

from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt     # Matplotlib 是一个 Python 的 2D绘图库

# 下载并准备CIFAR10数据集
# CIFAR10数据集包含10个类中的60000个彩色图像，每个类中有6000个图像。
# 数据集分为50000个训练图像和10000个测试图像。这些类是互斥的，它们之间没有重叠。

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# Normalize pixel values to be between 0 and 1  将像素值规格化为介于0和1之间
train_images, test_images = train_images / 255.0, test_images / 255.0

运行一下：
需要下载数据集，特别慢，复制下面链接去迅雷下载，很快

http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

下载下来的文件放到~/.keras/datasets/ 目录下，然后将文件名改名为cifar-10-batches-py.tar.gz

# 验证数据
# 为了验证数据集看起来是否正确，让我们绘制训练集中的前25个图像，并在每个图像下面显示类名。
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    # The CIFAR labels happen to be arrays,     CIFAR标签碰巧是数组，
    # which is why you need the extra index     所以你需要额外的索引
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

运行结果：

# 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采用形状张量（图像高度、图像宽度、颜色通道），忽略批大小。
# 如果您不熟悉这些维度，则颜色通道指（R、G、B）。
# 在本例中，您将配置我们的CNN来处理shape（32、32、3）的输入，
# 这是CIFAR图像的格式。可以通过将参数input_shape传递到第一层来完成此操作。
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
# Let's display the architecture of our model so far.
model.summary()

运行结果：

上面，您可以看到每个Conv2D和MaxPooling2D层的输出都是一个三维形状张量（高度、宽度、通道）。随着网络的深入，宽度和高度维度往往会缩小。每个Conv2D层的输出信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。

在顶部添加密集层

为了完成我们的模型，您将把最后一个输出张量从卷积基（形状（4，4，64））馈入一个或多个密集层以执行分类。密集层以矢量作为输入（一维），而当前输出是三维张量。首先，将三维输出展平（或展开）为1D，然后在顶部添加一个或多个密集层。CIFAR有10个输出类，因此使用最后一个密集层，其中有10个输出和一个softmax激活。

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
# 这是我们模型的完整架构。
model.summary()

如您所见，我们的（4，4，64）输出在经过两个密集层之前被展平成形状向量（1024）。

编译和训练模型

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

Evaluate the model评估模型

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(test_acc)  

结果：


我们简单的CNN已经达到了超过70%的测试精度。对几行代码来说还不错！