子像素卷积keras_初学者的 Keras：实现卷积神经网络

Keras是一个简单易用但功能强大的 Python 深度学习库。在这篇文章中，我们将用 Keras 构建一个简单的卷积神经网络(CNN)，并训练它来解实际问题。

这篇文章适用于完全初学 Keras 的人，但假设有 CNNs 的基本背景知识。我对卷积神经网络的介绍涵盖了你在这篇文章中需要知道的一切(以及更多内容)，如果需要，请先阅读。

我们现在就开始!想要代码吗？完整的源代码在末尾。

问题：MNIST数字分类

我们将处理一个经典的计算机视觉入门问题：MNIST 手写数字分类。很简单：给定一个图像，将其分类为一个数字。Python学习教程点击【资料】领取！

MNIST 数据集中的样本图像

MNIST 数据集中的每个图像都是 28x28，包含一个居中的灰度数字。我们的 CNN 将获取一个图像并输出 10 个可能的类中的一个(每个数字一个)。

1. 安装

我假设你已经有了一个基本的 Python 安装(可能是这样)。让我们先下载一些我们需要的包：

注意：我们需要安装 tensorflow ，因为我们要在 TensorFlow 后端上运行 Keras(即 TensorFlow 将装备 Keras )。

现在你应该能够导入这些包并浏览 MNIST 数据集：

2. 准备数据

在开始之前，我们将把图像像素值从 [0，255] 规范化为 [-0.5，0.5] 以使网络更容易训练(使用较小的中心值通常会得到更好的结果)。我们还将把每个图像从(28，28)改为(28，28，1)，因为 Keras 需要第三维度。

我们准备好开始构建我们的 CNN 了！

3. 构建模型

每个 Keras 模型要么使用表示层的线性堆栈的 Sequential 类构建，要么使用更可定制的功能 Model 类。我们将使用更简单的Sequential 模型，因为我们的 CNN 将是一个层的线性堆栈。

我们首先实例化一个 Sequential 模型：

Sequential 构造函数接受一个 Keras Layers 数组。我们将为 CNN 使用三种类型的层：卷积层、最大池层和 Softmax 层。

这是我们在我的 CNN 简介中使用的 CNN 设置。如果你对这三种层的任何一种都不满意的话，请阅读这篇文章。

num_filters, filter_size 和 pool_size 是设置 CNN 超参数的自解释变量。

任何 Sequential 模型中的第一层都必须指定输入 input_shape，因此我们在 Conv2D上执行此操作。一旦指定了此输入形状，Keras 将自动推断后续层的输入形状。

Softmax 输出层有 10 个节点，每个类一个。

4. 编译模型

在开始培训之前，我们需要配置训练过程。我们在编译过程中确定了3个关键因素：优化器。我们将坚持用一个非常好的默认设置：Adam 基于梯度的优化器。Keras 还有许多其他优化器，你也可以查看。

损失函数。因为我们使用的是 SoftMax 输出层，所以我们将使用交叉熵损失。Keras 区分 binary_crossentropy (2类)和 categorical_crossentropy(>2 类)，因此我们将使用后者。查看所有的 Keras 损失函数.

度量列表。因为这是一个分类问题，所以我们只会有关于准确度度量的 Keras 报告。

下面是编译的样子：

走起!

5. 训练模型

在 Keras 中训练模型实际上只包括调用 fit() 和指定一些参数。有很多可能的参数，但我们只提供这些：训练数据(图像和标签)，通常分别称为 X 和 Y。

训练的 epoch 数(整个数据集的迭代次数)。

验证数据(或测试数据)，在训练期间用于根据以前从未见过的数据定期测量网络性能。

有一件事我们必须小心：Keras 期望训练目标是 10 维向量，因为我们的 Softmax 输出层中有 10 个节点。现在，我们的 train_labels 和 test_labels 数组包含表示每个图像的类的单个整数：

很方便，Keras 有一个实用的方法来解决这个确切的问题：to_categorical。它将整数类数组转换为一个独热向量数组。例如，2 将变为[0, 0, 1, 0, 0, 0, 0, 0, 0, 0](它是从零索引)。

这就是它的样子：

我们现在可以把所有的东西放在一起训练我们的网络：

在完整 MNIST 数据集上运行该代码可以得到如下结果：

我们用这个简单的 CNN 达到了 97.4% 的测试精度！

6. 使用模型

既然我们有了一个有效的、经过训练的模型，让我们来使用它。我们要做的第一件事是将它保存到磁盘上，这样我们就可以随时加载它：

通过重建模型并加载保存的权重，我们现在可以在任何需要的时候重新加载经过训练的模型：

使用经过训练的模型进行预测很容易：我们将输入数组传递给 predict()，它返回一个输出数组。请记住，我们网络的输出是 10 个概率(因为 softmax)，所以我们将使用 np.argmax() 将这些转换为实际数字。

8. 扩展

我们还可以做更多的实验并改进我们的网络 - 在这个官方的 Keras MNIST CNN 例子中，他们在 12 个 epochs 后达到了99.25% 的测试精度。你可以对我们的 CNN 进行修改的一些例子包括：

网络深度

如果我们添加或删除 Convolutional 层会发生什么？这将如何影响训练和/或模型的最终性能？

Dropout

如果我们尝试添加通常用来防止过拟合的 Dropout 层会发生什么？

全连接层

如果我们在 Convolutional 输出和最终的 Softmax 层之间添加全连接层会发生什么？这是 CNNs 中用于计算机视觉的常见操作。

卷积参数

如果我们使用 Conv2D 参数会发生什么？例如：

结语

你已经用 Keras 实现了你的第一个 CNN！我们通过首个简单网络获得了 97.4% 的测试精度。我在下面再加一次完整的源代码供你参考。

你可能感兴趣的扩展阅读包括：官方的 Keras 入门指南。

我关于导出训练 CNNs 的反向传播算法的文章。

Keras 示例集锦.

更多关于神经网络的文章.

谢谢你的阅读！完整的源代码如下。需要Python教程的点击【资料】领取！

完整代码