深度学习——以花朵识别为例，分析构造神经网络时用到的各个类构造函数（Dense、Conv2D、Flatten等）

​活动地址：CSDN21天学习挑战赛

目录

构造神经网络的layers函数

layers.Conv2D

参数说明

总结

layers.MaxPooling2D layers.AveragePooling2D

参数说明

总结 

layers.Dropout

参数说明

总结

layers.Flatten

layers.Dense

参数说明

总结

layers.Rescaling

参数说明

总结

花朵识别

导入数据

构建卷积神经网络

编译训练网络模型

预测

---

构造神经网络的layers函数

构造神经网络时主要用到的都是 keras.layers库内 的类的构造函数

layers.Conv2D

layers.Conv2D主要是用来 形成卷积层

参数说明

def __init__(self,
               filters,
               kernel_size,
               strides=(1, 1),
               padding='valid',
               data_format=None,
               dilation_rate=(1, 1),
               groups=1,
               activation=None,
               use_bias=True,
               kernel_initializer='glorot_uniform',
               bias_initializer='zeros',
               kernel_regularizer=None,
               bias_regularizer=None,
               activity_regularizer=None,
               kernel_constraint=None,
               bias_constraint=None,
               **kwargs):

• filters：int型，表示卷积核数，也即特征图数，与输出的shape的channels一致
• kernel_size：核大小，int型二元组，一般是(3,3)
• strides：移动步长，int型二元组，默认(1,1)，表示(左右移步长，上下移步长)
• padding：str型，表示是否采用边缘填充0，默认是valid无填充，值为same表示填充
• data_format：一般默认是channels_last，即input_shape=(batch_size,w,h,channels)也有channels_first 即input_shape=(batch_size,channels,w,h)
• activation：激活函数，值之前已讨论过
• use_bias：是否使用偏置参数，bool型，默认True，使用偏置参数
• kernel_regularize 对权重参数正则化
• bias_regularize 对偏置参数正则化
• activity_regularize 对输出的正则化

• input-shape 定义输入类型，默认data_format是channels_first,input_shape是(batch_size,height,weight,channels) 且通常batch_size不用指定，指定的话是2的幂

总结

一般使用时，只需要传参filters、kernel_size、padding、activation、input_shape即可

（过拟合时也可能会用到kernel_regularize）

layers.MaxPooling2D layers.AveragePooling2D

layers.MaxPooling2D 是构建采用最大池化方法的池化层

layers.AveragePooling2D 是构建采用平均池化方法的池化层

两种类的构造函数基本一致，下面统一说明

参数说明

def __init__(self,
               pool_size=(2, 2),
               strides=None,
               padding='valid',
               data_format=None,
               **kwargs):

• pool_size：int型二元组，默认值(2,2)，表示的是池化核的大小，每pool_size取最大值
• strides：步长，int型二元组或int数值，一般不用设置，默认取pool_size值
• padding：str型，值为valid表示不采用边缘填充，same表示边缘填充

PS：输出大小的计算：

        采用边缘填充：input_shape/strides 向上取整

        不采用边缘填充：(input_shape-pool_size+1/strides)

总结 

一般使用时，并不需要传参，有时会只传pool_size

layers.Dropout

layers.Dropout 是构建过拟合时采用的丢弃层

参数说明

def __init__(self, rate, noise_shape=None, seed=None, **kwargs)

• rate：丢弃率，表示每次训练中该层的灭活比，一般值是0~1（1会报错）
• noise_shape：一维的元组或者列表，长度与输入类型相同，且里面的元素要么为1，要么为输入类型值，哪个轴为1，哪个轴就会被一致地dropout
• seed：随机数种子

总结

一般使用时，只需要传参rate即可

layers.Flatten

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

一般使用时，无参调用

layers.Dense

layers.Dense 是 构建全连接层

参数说明

  def __init__(self,
               units,
               activation=None,
               use_bias=True,
               kernel_initializer='glorot_uniform',
               bias_initializer='zeros',
               kernel_regularizer=None,
               bias_regularizer=None,
               activity_regularizer=None,
               kernel_constraint=None,
               bias_constraint=None,
               **kwargs):

• units：int型，表示全连接层的输出维度
• activation：str型，表示激活函数，一般采用的是"relu"，其他激活函数见之前的博客中
• use_bias：bool型，表示是否使用偏置参数，默认值是True
• kernel_regularize 对权重参数正则化
• bias_regularize 对偏置参数正则化
• activity_regularize 对输出的正则化

总结

使用时，传units和activation即可，过拟合时有时会传 kernel_regularize

layers.Rescaling

layers.Rescaling 主要是构建缩放层，进行归一化或者标准化

参数说明

def __init__(self, scale, offset=0., **kwargs)

• scale：表示图像像素值的缩放公式，一般图像是 1/255.0
• offset：偏移基准量，最后图像的像素值=offset+scale公式得到的结果
• 还可以指定input_shape

eg：归一化 layers.Rescaling(1/255.0)

        归到[-1,1] layers.Rescaling(1/127.5,offset=-1)

总结

使用时也主要是用来归一化，一般是指定scale和input_shape即可

花朵识别

花朵识别所采用的数据集是通过 tf_flowers  |  TensorFlow Datasets  下载得到的

 具体下载方式可见之前的博客，这里不再赘述。链接如下：  深度学习——怎样读取本地数据作为训练集和测试集_尘心平的博客-CSDN博客

导入数据

这里是涉及到了本地数据如何导入，具体操作在之前的博客中也有介绍。链接如下：

深度学习——怎样读取本地数据作为训练集和测试集_尘心平的博客-CSDN博客 

这里附上代码：

# 加载已下载的数据集
data_url = "E:/Download/flower_photos/flower_photos"  # 设置路径
class_names = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']  # 设置label实际名称
image_width = 256 # 图像大小
image_height = 256
train_data = image_dataset_from_directory( # 导入生成训练集
    directory=data_url,
    class_names=class_names,
    image_size=(image_height, image_width),
    validation_split=0.2,
    subset='training',
    seed=123
)
test_data = image_dataset_from_directory( # 导入生成验证集
    directory=data_url,
    class_names=class_names,
    image_size=(image_height, image_width),
    validation_split=0.2,
    subset='validation',
    seed=123
)
buffer_size = 800 # shuffle缓存大小

# 生成训练集和验证集的缓存，加快迭代效率
train_data = train_data.cache().shuffle(buffer_size).prefetch(buffer_size=tf.data.AUTOTUNE)  # 自动寻找合适的 buffer_size
test_data = test_data.cache().prefetch(buffer_size=tf.data.AUTOTUNE)

构建卷积神经网络

 为解决过拟合的问题，构建了Dropout层，且设置灭活比为0.6

# 构建CNN网络模型
model = models.Sequential([  # 采用Sequential 顺序模型
    layers.Rescaling(1 / 255.0, input_shape=(image_height, image_width,3)),
    
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(None, None, 3)),
    layers.MaxPooling2D((2, 2)),  # 池化层1，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Flatten(),  # Flatten层，连接卷积层与全连接层
    layers.Dropout(0.6),
    layers.Dense(64, activation='relu'),  # 全连接层，64张特征图，特征进一步提取

    layers.Dense(5)  # 输出层，输出预期结果
])
# 打印网络结构
model.summary()

编译训练网络模型

# 编译
model.compile(optimizer='adam',  # 优化器
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              # 设置损失函数from_logits: 为True时，会将y_pred转化为概率
              metrics=['accuracy'])

# 训练
# epochs为训练轮数
history = model.fit(train_data, epochs=10,
                    validation_data=test_data)

预测

模型预测代码：

# 预测
pre = model.predict(test_data)  # 对所有测试图片进行预测
for x in range(10):
    print(pre[x])
for x in range(10):
    print(class_names[np.array(pre[x]).argmax()])

绘制一部分测试集图片以进行验证：

# 绘制测试集图片
plt.figure(figsize=(20, 10))  # 这里只看20张，实际上并不需要可视化图片这一步骤
for test_image, test_label in test_data.as_numpy_iterator():
    for i in range(10):
        plt.subplot(5, 10, i + 1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(test_image[i] / 255.0, cmap=plt.cm.binary)
        plt.xlabel(class_names[test_label[i]])
    plt.show()

输出loss val_loss accuracy val_accuracy 变化曲线：

    plt.plot(history.history['accuracy'], label='accuracy')  # 训练集准确度
    plt.plot(history.history['val_accuracy'], label='val_accuracy ')  # 验证集准确度
    plt.plot(history.history['loss'], label='loss')  # 训练集损失程度
    plt.plot(history.history['val_loss'], label='val_loss')  # 验证集损失程度
    plt.xlabel('Epoch')  # 训练轮数
    plt.ylabel('value')  # 值
    plt.ylim([0, 1.5])
    plt.legend(loc='lower left')  # 图例位置
    plt.show()
    test_loss, test_acc = model.evaluate(test_data, verbose=1)  # loss函数的值和 metrics值
    # 输入数据和标签，输出损失值和选定的指标值（如精确度accuracy）
    print(test_loss, test_acc)

可以看到val_loss和loss均成下降趋势，模型较好

输出预测结果值：

[ 1.9147255   0.54115176  0.32046622 -2.2310185   0.6476273 ]
[ 1.5751086   0.25440234 -0.90600187 -1.9116721   0.9208099 ]
[-2.0533743   0.74125975 -1.6817499   2.0241127  -0.01674169]
[ 6.0942693  -0.64630526 -1.418276   -3.2073083  -0.05675798]
[-3.6862264  0.8362238 -2.3960068  5.0659366  1.2542382]
[-4.6353736 -2.6309597  5.1571536 -2.1555338 10.289471 ]
[-0.19035766  4.5748014   0.73688596 -6.761815   -1.4931774 ]
[-0.23641998 -0.66789824  3.328943   -1.2963772   2.43171   ]
[-4.2409375e-03 -3.9561117e+00  7.4320264e+00 -4.5852895e+00  1.0197869e+01]
[  7.151232    3.0763505   3.9734569 -12.45473     2.183545 ]

相对应的预测标签：

实际图片：

预测结果与实际结果较为符合