卷积神经网络＜一＞keras创建多图输入CNN

keras中卷积神经网络的创建

 conv2d(
     filter=特征图的个数，也就是卷积核的个数，也就是神经网络中需要提取特征的数量。
     kernal_size=卷积核的大小
     strip=步长
     padding='valid' or 'same'
     input_shape=
     activate='relu'
 )

• 其他的一些参数

举个例子1：直接创建一个可用的卷积神经网络

创建CNN应该包含以下7步骤。

"""
@author:fuzekun
@file:cnn.py
@time:2022/11/16
@description: 卷积神经网络模型
"""

import keras

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Activation,Dense,Flatten,Conv2D,MaxPooling2D
from keras.utils import np_utils

# 1.初始化
model = Sequential()
# 2.卷积层
model.add(Conv2D(filters=32, kernel_size=(3, 3), padding='same', input_shape=(28,28,1), activation='relu'))
# 3.池化层
model.add(MaxPooling2D(pool_size=(2,2)))
# 4. 图片拉平成向量
model.add(Flatten())
# 5. 全连接
model.add(Dense(n_hidden_1, activation='relu'))
# 6. 输出
model.add(Dense(n_classes, activation='softmax'))
# 7. 编译
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

举个例子2,创建三张图片作为输入的的的卷积神经网络

def create_model(input_shape):
    """
    这里没有参数，应该有
    input_shape：
    kernal_size：
    pool_size：
    activation:
    optimizer:
    """
    def create_single_model() :
        # 1.建立卷积神经网络
        model = Sequential()
        # 两个卷积层
        model.add(Conv2D(filters=64, kernel_size=kernal_size, padding='same', input_shape=input_shape, activation='relu'))
        model.add(Conv2D(filters=128,kernel_size=kernal_size, padding='same', input_shape=input_shape, activation='relu'))
        # model.add(Conv2D(filters=64, kernel_size=kernal_size, padding='same', input_shape=input_shape, activation='relu'))
        # model.add(Conv2D(filters=128, kernel_size=kernal_size, padding='same', input_shape=input_shape, activation='relu'))
        # 池化层采用最大值池化
        model.add(MaxPooling2D(pool_size=(2,2)))
        # 再来一个卷积层
        model.add(Conv2D(filters=256, kernel_size=kernal_size, padding='same', input_shape=input_shape, activation='relu'))
        # model.add(Dense(n_hidden_1, activation='relu'))
        # model.add(Dense(n_classes, activation='softmax'))
        # model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])
        return model

    out_rri = create_single_model()
    out_edr = create_single_model()
    out_amp = create_single_model()
    # 2. 进行模型融合
    # print(out_rri.output)
    combined = concatenate([out_rri.output, out_edr.output, out_amp.output]) #(None, 7, 7, 768)
    # print(combined)
    # 2.1融合输入
    x = Dense(n_hidden_1, activation='relu')(combined)
    x = Flatten()(x)
    # 2.2最后输出
    x = Dense(n_classes, activation='softmax')(x)
    # 2.3模型定义完成
    model = Model(inputs = [out_rri.input, out_edr.input, out_amp.input], outputs = x)

    # model.summary()
    plot_model(model, to_file=base_floder_path + 'model.png', show_shapes=True)

    return model

创建之后后的绘制如下：