python中Keras如何构建CNN网络

这篇文章主要介绍了python中Keras如何构建CNN网络的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇python中Keras如何构建CNN网络文章都会有所收获，下面我们一起来看看吧。

Keras中构建CNN的重要函数

1、Conv2D

Conv2D用于在CNN中构建卷积层，在使用它之前需要在库函数处import它。

from keras.layers import Conv2D

在实际使用时，需要用到几个参数。

Conv2D(    nb_filter = 32,    nb_row = 5,    nb_col = 5,    border_mode = 'same',    input_shape = (28,28,1))

其中，nb_filter代表卷积层的输出有多少个channel，卷积之后图像会越来越厚，这就是卷积后图像的厚度。nb_row和nb_col的组合就是卷积器的大小，这里卷积器是(5,5)的大小。border_mode代表着padding的方式，same表示卷积前后图像的shape不变。input_shape代表输入的shape。

2、MaxPooling2D

MaxPooling2D指的是池化层，在使用它之前需要在库函数处import它。

from keras.layers import MaxPooling2D

在实际使用时，需要用到几个参数。

MaxPooling2D(    pool_size = (2,2),    strides = (2,2),    border_mode = 'same')

其中，pool_size表示池化器的大小，在这里，池化器的shape是(2,2)。strides是池化器的步长，这里在X和Y方向上都是2，池化后，输出比输入的shape小了1/2。border_mode代表着padding的方式。

3、Flatten

Flatten用于将卷积池化后最后的输出变为一维向量，这样才可以和全连接层连接，用于计算。在使用前需要用import导入。

from keras.layers import Flatten

在实际使用时，在最后一个池化层后直接添加层即可

model.add(Flatten())

全部代码

这是一个卷积神经网络的例子，用于识别手写体，其神经网络结构如下：

卷积层1->池化层1->卷积层2->池化层2->flatten->全连接层1->全连接层2->全连接层3。

单个样本的shape如下：

(28,28,1)->(28,28,32)->(14,14,32)->(14,14,64)->(7,7,64)->(3136)->(1024)->(256)

import numpy as npfrom keras.models import Sequentialfrom keras.layers import Dense,Activation,Conv2D,MaxPooling2D,Flatten ## 全连接层from keras.datasets import mnistfrom keras.utils import np_utilsfrom keras.optimizers import Adam(X_train,Y_train),(X_test,Y_test) = mnist.load_data() X_train = X_train.reshape(-1,28,28,1)X_test = X_test.reshape(-1,28,28,1)Y_train = np_utils.to_categorical(Y_train,num_classes= 10)Y_test = np_utils.to_categorical(Y_test,num_classes= 10)model = Sequential()# conv1model.add(    Conv2D(        nb_filter = 32,        nb_row = 5,        nb_col = 5,        border_mode = 'same',        input_shape = (28,28,1)    ))model.add(Activation("relu"))# pool1model.add(    MaxPooling2D(        pool_size = (2,2),        strides = (2,2),        border_mode = 'same'    ))# conv2model.add(    Conv2D(        nb_filter = 64,        nb_row = 5,        nb_col = 5,        border_mode = 'same'    ))model.add(Activation("relu"))# pool2model.add(    MaxPooling2D(        pool_size = (2,2),        strides = (2,2),        border_mode = 'same'    ))# 全连接层model.add(Flatten())model.add(Dense(1024))model.add(Activation("relu"))model.add(Dense(256))model.add(Activation("relu"))model.add(Dense(10))model.add(Activation("softmax"))adam = Adam(lr = 1e-4)## compilemodel.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])## tarinprint("\ntraining")cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32)print("\nTest")## acccost,accuracy = model.evaluate(X_test,Y_test)## W,b = model.layers[0].get_weights()print("accuracy:",accuracy)

实验结果为：

Epoch 1/260000/60000 [==============================] - 64s 1ms/step - loss: 0.7664 - acc: 0.9224Epoch 2/260000/60000 [==============================] - 62s 1ms/step - loss: 0.0473 - acc: 0.9858Test10000/10000 [==============================] - 2s 169us/stepaccuracy: 0.9856

关于"python中Keras如何构建CNN网络"这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对"python中Keras如何构建CNN网络"知识都有一定的了解，大家如果还想学习更多知识，欢迎关注行业资讯频道。