keras卷积神经网络+CIFAR10数据集

模型预构建

数据集加载及预处理

from tensorflow.keras.datasets import cifar10
import numpy as np

(x_train,y_train),(x_test,y_test)=cifar10.load_data()
x_train.shape,y_train.shape
>>> ((50000, 32, 32, 3), (50000, 1))
x_train_data=x_train.astype('float32')/255.0
x_test_data=x_test.astype('float32')/255.0

标签值转化为onehot编码

from tensorflow.python.keras.utils import np_utils
y_train_onehot=np_utils.to_categorical(y_train)
y_test_onehot=np_utils.to_categorical(y_test)

模型建立

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dropout,Activation,Flatten,Dense
from tensorflow.keras.layers import Conv2D,MaxPooling2D,ZeroPadding2D

线性序列模型

model=Sequential()
# 卷积层1
model.add(Conv2D(filters=32,kernel_size=(3,3),input_shape=(32,32,3), activation='relu',padding="same"))
model.add(Dropout(0.25))
# 池化层1
model.add(MaxPooling2D(pool_size=(2,2)))
# 卷积层2
model.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu',
                padding='same'))
model.add(Dropout(0.25))
# 池化层2
model.add(MaxPooling2D(pool_size=(2,2)))
# 平坦层
model.add(Flatten())
model.add(Dropout(0.25))
# 全连接层（隐藏层）
model.add(Dense(1024,activation='relu'))
model.add(Dropout(0.25))
# 输出层
model.add(Dense(10,activation='softmax'))

Dropout随机选择一些神经元丢弃，用于防止模型过拟合
过拟合：，由于训练集的数据太少 、数据的特征分布不一致等原因造，使得训练出来的模型对于新的数据表现的不好

查看模型各层参数情况

model.summary()

模型编译及训练

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])             

模型训练结果可视化

import matplotlib.pyplot as plt
# 定义可视化函数
def train_history_show(train_history,train,validation):
	plt.plot(train_history.history[train])
	plt.plot(train_history.history[validation])
	plt.title('train_history')
	plt.xlabel('epoch')
	plt.ylabel('train history')
	plt.legend(['train','validation'],loc='upper left')
	plt.show()

模型准确率

train_history_show(train_history,'accuracy','val_accuracy')

模型损失

train_history_show(train_history,'loss','val_loss')

模型评分及预测结果

score1=model.evaluate(x_test_data,y_test_onehot,verbose=0)
score1[0],score1[1]
>>> (0.803378701210022, 0.7249000072479248)
# np.argmax(a)#取出a中元素最大值所对应的索引
prediction=np.argmax(model.predict(x_test_data),axis=-1)
prediction.shape
>>> (10000,)
prediction[:9]
>>> array([3, 8, 8, 0, 6, 6, 1, 6, 3], dtype=int64)

预测结果可视化

# 定义可视化函数
def plot_image_label_prediction(images,labels,prediction,idx,num=10):
	'''
	images:图片的像素值（通常是x_test/x_train）
	labels：图片标签（通常是y_test/y_train）
	prediction：模型预测的标签值
	idx：起始图片索引
	num：生成图片的总数量
	'''
	# 生成一个绘图区域
    fig=plt.gcf()
    label_dict={0:'airplane',1:'automobile',2:'bird',3:'cat',4:'deer',
           5:'dog',6:'frog',7:'horse',8:'ship',9:'truck'}
    # 以英寸为单位设置图形大小
    fig.set_size_inches(12,14)
    # 最多生成20张图片
    if num>20:num=20
    for i in range(0,num):
    	# 生成子绘图区域
        ax=plt.subplot(5,5,1+i)
        # 将数组的值以图片的形式展示出来
        ax.imshow(images[idx],cmap='binary')
        # 将实际值与模型预测值显示
        title=str(i)+','+label_dict[labels[i][0]]
        if len(prediction)>0:
            title+='=>'+label_dict[prediction[i]]
        ax.set_title(title,fontsize=10)
        # 设置x、y轴刻度
        ax.set_xticks([])
        ax.set_yticks([])
        idx+=1
    plt.show()
plot_image_label_prediction(x_test,y_test,prediction,0,num=10)

模型运行结果

显示混淆矩阵

y_test_1=y_test.reshape(-1)
import pandas as pd
pd.crosstab(y_test_1,prediction,rownames=['label'],colnames=['predict'])

crosstab()函数的 第一个参数是列, 第二个参数是行，由于y_test和prediction的形状都是(10000,0)，但是y_test要被展示为列，所以要使用reshape()函数转换一下形状

运行结果

模型保存

在这里只保存了模型的参数，也可以使用save()函数保存整个模型，注意，使用load_wights()函数仅保存了网络的权重。在调用load_weights之前，仍然需要定义其体系结构：，否则会报出下面错误：ValueError: Unable to load weights saved in HDF5 format into a subclassed Model which has not created its variables yet. Call the Model first, then load the weights

model.save_weights('model/weights/2卷积层+4096+1024+10.h5')
# 可以将整个模型使用save('model.h5')函数保存起来，但是文件会比较大，下次调用时直接使用load_model()函数即可，无需再次定义体系结构
# from keras.models import load_model
# model = load_model('model.h5')

本博客参考：《tensorflow+keras深度学习人工智能实践应用 林大贵著》
笔者已将本博客代码共享至：码云