手搓Lenet的keras实现

本文基于的开发环境介绍：

经典的lenet网络结构：

代码：

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

(x_train,y_train),(x_test,y_test) = mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1)    #######
x_train = x_train.astype("float32")
print(x_train.shape)
y_train = y_train.astype("float32")
x_test = x_test.reshape(-1,28,28,1)
x_test = x_test.astype("float32")
y_test = y_test.astype("float32")

print(y_train)
x_train /= 255
x_test /= 255

from keras.utils import np_utils
y_train_new = np_utils.to_categorical(num_classes=10,y=y_train)
print(y_train_new)
y_test_new = np_utils.to_categorical(num_classes=10,y=y_test)

def LeNet_5():
    model = Sequential()
    model.add(Conv2D(filters=6,kernel_size=(5,5),padding="valid",activation="tanh",input_shape=[28, 28, 1]))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Conv2D(filters=16,kernel_size=(5,5),padding="valid",activation="tanh"))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Flatten())
    model.add(Dense(120,activation="tanh"))
    model.add(Dense(84,activation="tanh"))
    model.add(Dense(10,activation="softmax"))
    return model

def train_model():
    model = LeNet_5()
    model.compile(optimizer="adam",loss="categorical_crossentropy",metrics=["accuracy"])
    model.fit(x_train,y_train_new,batch_size=32,epochs=1,verbose=1,validation_split=0.2,shuffle=True)
    return model

model = train_model()
model.summary()

loss,accuracy = model.evaluate(x_test,y_test_new)
print(loss,accuracy)

这里的padding表示补0策略，有“valid”和“same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。默认是valid，但是考虑到几层卷积下来，可能卷积连接有问题，一般会用same,这里用的valid.

运行结果：

最终输出，可以看到lenet 每层的参数情况：

调整EPOCHES再次训练，得到精度更高的模型：

epochs代表要把整个训练样本迭代6次，batch size参数表示一次训练中取32条数据进行训练。

32*1500=48000，表示使用到的训练数据集大小。

训练完成后，我们验证模型的推理能力，代码如下：

import numpy as np
import tensorflow as tf
demo = tf.reshape(x_test[9],(-1,28,28,1))
print(np.argmax(model.predict(demo)))

参数推算：

当输入含有多个通道时，对应的卷积核也应该有相同的通道数。假设输入图片的通道数为CinCin，输入数据的形状是 

1. 对每个通道分别设计一个2维数组作为卷积核，卷积核数组的形状是。

2. 对任一通道，分别用大小为的卷积核在大小为的二维数组上做卷积。

3. 将这个通道的计算结果相加，得到的是一个形状为的二维数组。

根据网络结构计算各层参数：

第一层： 5*5卷积核6个，所以权重数为5*5*6=150个，一个核对应一个通道， 每个通道一个偏置，所以共有6个bias参数，所以，第一个卷积层的参数个数为150+6=156个，pegasus统计没有包括bias，只包括卷积核，所以为150个。計算公式為:

第二层，池化层没有参数，所以参数个数为0个。

第三层，卷积层，卷积核为16个5*5,但是由于上一层的卷积核个数等于上层输出的feature map通道数，可以得知第二层输入的feature map为6通道，所以实际上的卷积核shape为 16个5*5*6大小，也就是16*5*5*6=2400个参数。再加上16个bias,总共2416个参数。

第四层是池化层，没有参数.

第五层是降维层，二维降1维，没有参数。

第六层是全连接层FC，参数个数为256*120+ 120= 30840

第七层是全连接层FC：参数个数为120*84+84=10164

第八层是全连接层FC： 参数个数是840*10+10=850

DUMP各层信息：

print(model.layers[0].name)
print(model.layers[1].name)
print(model.layers[2].name)
print(model.layers[3].name)
print(model.layers[4].name)
print(model.layers[5].name)
print(model.layers[6].name)
print(model.layers[7].name)

可以看到各层的名称成功获取到了。

之后获取层的参数，以第一层为例：

weights, biases = model.layers[0].get_weights()
print(weights)
print(biases)

然后是BIAS，果然有6个，然后卷积核是训练出来的，并非是设计出来的。

网络的拓扑结构为：

保存模型：

jupter中新添加代码块：

 编辑代码：

model.save("lenet.h5")
model.save_weights("lenet_weight.h5")

运行后，生成两个文件 lenet.h5和lenet_weight.h5

save()保存的模型结果，它既保持了模型的图结构，又保存了模型的参数，而save_weights它只保存了模型的参数，但并没有保存模型的图结构。所以它的size也要比lenet.h5小很多。

netron查看lenet.h5：

netron原生支持.h5格式的网络模型文件，用netron打开lenet.h5，可以看到网络结构如下：

还可以保存未训练前的网络,比如在下面加入的保存lenet_raw.h5的语句:

 lenet_raw.h5它保存了模型的图结构，但应该没有保存模型的初始化参数，所以也要比lenet.h5小一些。

查看模型内容：

模型为 Hierarchical Data Format (version 5) data个格式，可以通过工具查看内容。

ubuntu下安装hdfview可以查看保存模型的内容，ubuntu安装方式直接 sudo apt install hdfview即可. 经测试，UBUNTU版本的hdfview打不开对应的文件，不得已切换为windows10系统，下载下图对应版本的工具

可以看到，工具下，模型结构一目了然。

转ONNX

首先执行sudo pip3 install keras2onnx, sudo pip3 install onnxmltools安装转换包

另一种方式：

上面使用CNN网络实现了mnist数据集的分类网络，其实除了CNN，RNN循环神经网络也可以实现同样算法，LSTM是RNN的一种算法， 在序列分类中比较有用。常用于语音识别，文字处理（NLP）等领域。 等同于VGG等CNN模型在在图像识别领域的位置。

LSTM模型网络结构相对更加复杂，下面是一个lstm_mnist网络的例子,用netron分析结构如下,是不是比上面CNN的复杂好多？

具体参考下篇文章：

用LSTM分类 MNIST - hylas - 博客园

---

FAQS:

 if you encunter issues below, may be you have a wrong protobuf version.

as follows protobuf:

you can try down grade protbuf versions as below:

pip install protobuf~=3.19.0
pip install six~=1.15.0
pip installtyping-extensions~=3.7.4

this would be fine!

---

结束！