python 卷积神经网络

实验二：卷积神经网络

• 手写体识别

• 数据准备

使用MNIST数字图像训练卷积神经网络

数据重塑和标签向量化

• 建立基础卷积模型

卷积模型是Conv2D层和MaxPooling2D层的堆叠，本例中卷积神经网络处理大小为（28，28，1）的输入张量，这正是MNIST图像的格式

• 建立分类卷积模型

• 模型建立与训练

设置训练容器

优化算法、损失函数、监督矩阵

训练模型

指定输入、输出，指定迭代次数，指定数据块大小

• 结果测试

• 自主练习

1. 改变网络的深度和宽度

	深度	宽度	训练集精度	测试集精度
基准	3	64	0.9938	0.9919000267982483
深度不变，减小宽度	3	32	0.9920	0.9886000156402588
深度不变，增大宽度	3	128	0.9950	0.9922999739646912
宽度不变，减小深度	2	64	0.9954	0.9873999953269958
宽度不变，增大深度	4	64	0.9936	0.9891999959945679

由此可见，增大卷积神经网络的宽度，训练集和测试集上的精度都有所增加。改变深度会导致测试集上的精度均有所下降。

1. 改变优化算法

优化算法	训练集精度	测试集精度
Sgd	0.9986	0.9933000206947327
Adagrad	0.9924	0.9912999868392944
Adadelta	0.9944	0.9927999973297119
RMSprop	0.9944	0.9918000102043152
Adam	0.9934	0.9897000193595886
Adamax	0.9922	0.9911000132560731

由此可见，sgd算法对于该问题最有效

• 猫、狗的二分类问题

• 数据准备

从数据目录中选取猫、狗的1000张、500张、500张图片分别作为训练数据、验证数据、测试数据，并建立相关目录进行存放。

• 数据预处理

将JPEG文件解码为RGB像素网格

将这些像素网格转换为浮点数向量

将像素值（0-255）缩放到[0,1]区间

• 模型建立

建立卷积层和池化层进行模型训练

使用分类层进行二分类猫狗图片

• 模型训练

使用批量生成器拟合模型

• 数据增强

数据增强是从现有的训练样本中生成更多的训练模型，其方法是利用多种能够生成可信图像的随机变换来增加样本。其目标是，模型在训练时不会两次查看完全相同的图像。这让模型能够观察到数据的更多内容，从而具有更好的泛化能力。

通过变换、旋转、压缩等来产生新的数据

• 随机丢弃

在模型中添加一个Dropout层，添加在密集连接分类器前

• 结果分析

• 预训练下的猫狗分类（不使用数据增强）

• 预训练模型

使用VGG16卷积网络提取特征

• 分类模型建立

• 模型建立与训练

设置训练容器

训练模型

• 结果展示

 

pytho