Keras学习教程六

原文地址：https://github.com/fchollet/deep-learning-with-python-notebooks/blob/master/5.1-introduction-to-convnets.ipynb

Introduction to convnets

    首先，让我们以一个非常简单的闭环实例来看看实际情况。 我们将使用我们的convnet对MNIST数字进行分类，这是您在第2章中已经完成的使用密集连接网络的一项任务（我们的测试精度为97.8％）。 尽管我们的小圆圈将是非常基础的，但它的准确性仍然会从第二章密集连接模型的水中吹出来。

    以下6行代码显示了基本的convnet的外观。 它是一堆Conv2D和MaxPooling2D图层。 我们会在一分钟内看到他们具体做什么。 重要的是，一个convnet需要输入形状张量（image_height，image_width，image_channels）（不包括批量维度）。 在我们的例子中，我们将配置我们的convnet处理大小为（28,28,1）的输入，这是MNIST图像的格式。 我们通过将参数input_shape =（28,28,1）传递给我们的第一层来做到这一点。

from keras import layers
from keras import models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
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'))

    让我们展示迄今为止我们的convnet的体系结构：

model.summary()

    您可以在上面看到，每个Conv2D和MaxPooling2D图层的输出都是3D形状（高度，宽度，通道）张量。 随着我们深入网络，宽度和高度尺寸趋于缩小。 通道数量由传递给Conv2D图层的第一个参数（例如32或64）控制。

    接下来的步骤是将我们最后的输出张量（形状（3，3，64））馈送到密集连接的分类器网络中，就像您已经熟悉的那样：一堆密集层。 这些分类器处理向量，它们是1D，而我们当前的输出是3D张量。 首先，我们将不得不将3D输出平铺到1D，然后在顶部添加一些密集层：

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

    我们要做10路分类，所以我们使用一个有10个输出和softmax激活的最终图层。 现在，我们的网络如下所示：

model.summary()

    正如你所看到的，我们的（3，3，64）输出在经过两个密集层之前被平坦化为形状的矢量（576，）。

    现在，让我们训练一下MNIST数字上的小圆圈。 我们将重用第2章中MNIST示例中已经介绍的很多代码。

from keras.datasets import mnist
from keras.utils import to_categorical

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28, 28, 1))
train_images 

test_loss, test_acc = model.evaluate(test_images, test_labels)

= train_images.astype('float32') / 255test_images = test_images.reshape((10000, 28, 28, 1))test_images = test_images.astype('float32') / 255train_labels = to_categorical(train_labels)test_labels = to_categorical(test_labels)

model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5, batch_size=64)

    让我们在测试数据上评估模型：

test_loss, test_acc = model.evaluate(test_images, test_labels)

test_acc