🍅 写在前面

👨‍🎓 博主介绍：大家好    
    
    
，这里是hyk写算法了吗


     


     


     ，一枚致力于学习算法和人工智能领域的小菜鸟    
    
    
。

🔎个人主页：主页链接（欢迎各位大佬光临指导）

⭐️近期专栏：机器学习与深度学习

                       LeetCode算法实例

总览

本节内容主要向大家介绍如何使用TensorFlow快速搭建自己的卷积神经网络
 




 




 



，并通过cifar数据集训练验证     


     


     


。文章最后会有相关内容知识点的补给




 




 




 。

数据集简介

Cifar-10 是由 Hinton 的学生 Alex Krizhevsky    
    
    
、Ilya Sutskever 收集的一个用于普适物体识别的计算机视觉数据集   

   

   

，它包含 60000 张 32 X 32 的 RGB 彩色图片 

     

     

    ，总共 10 个分类
   

   

   
。其中

  




  




  


，包括 50000 张用于训练集  


  


  


，10000 张用于测试集     

     

     

。

第三方库准备

import tensorflow as tf import numpy as np from matplotlib import pyplot as plt

该项目使用上述第三方库  
     
     
   ，大家提前下载需要提前下载好 




  




  




 。

加载数据

cifar10 = tf.keras.datasets.cifar10 (x_train, y_train), (x_test, y_test) = cifar10.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0

首次使用需要联网下载一段时间数据集


   




   




   

，大家耐心等待下

  


  


  
。

搭建cnn模型类以及相关方法

# 继承自tf.keras.Model class Baseline(tf.keras.Model): def __init__(self): super(Baseline, self).__init__() # 第一层卷积 self.c1 = tf.keras.layers.Conv2D(filters=6, kernel_size=(5, 5), padding=same) # 第一层BN self.b1 = tf.keras.layers.BatchNormalization() # 激活函数层 self.a1 = tf.keras.layers.Activation(relu) # 池化层 self.p1 = tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding=same) # Dropout层 self.d1 = tf.keras.layers.Dropout(0.2) # 将卷积获得的网络拉平以便后序全连接层使用 self.flatten = tf.keras.layers.Flatten() # 一层全连接 self.f1 = tf.keras.layers.Dense(128, activation=relu) # 又一层dropout self.d2 = tf.keras.layers.Dropout(0.2) # 第二层全连接 self.f2 = tf.keras.layers.Dense(10, activation=softmax) # 读入inputs数据 



 



 



，并进行操作返回 def call(self, inputs): x = self.c1(inputs) x = self.b1(x) x = self.a1(x) x = self.p1(x) x = self.d1(x) x = self.flatten(x) x = self.f1(x) x = self.d2(x) y = self.f2(x) return y

训练模型

# 创建模型对象 model = Baseline() # 指明优化器


     


     


     、损失函数
 




 




 



、准确率计算函数 model.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=[tf.keras.metrics.sparse_categorical_accuracy]) # 开始训练 history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1) # 展示训练的过程 model.summary()

画图展示结果

# show acc = history.history[sparse_categorical_accuracy] val_acc = history.history[val_sparse_categorical_accuracy] loss = history.history[loss] val_loss = history.history[val_loss] print(acc) print(val_loss) plt.figure(figsize=(8, 8)) plt.subplot(1, 2, 1) plt.plot(acc, label=Training Accuracy) plt.plot(val_acc, label=Validation Accuracy) plt.title(Training and Validation Accuracy) plt.legend() plt.subplot(1, 2, 2) plt.plot(loss, label=Training loss) plt.plot(val_loss, label=Validation loss) plt.title(Training and Validation loss) plt.legend() plt.show()

分别展示了训练集和测试集上精确度   

   

   

、损失值的对比

项目整体代码

import tensorflow as tf import numpy as np from matplotlib import pyplot as plt np.set_printoptions(threshold=np.inf) cifar10 = tf.keras.datasets.cifar10 (x_train, y_train), (x_test, y_test) = cifar10.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 class Baseline(tf.keras.Model): def __init__(self): super(Baseline, self).__init__() self.c1 = tf.keras.layers.Conv2D(filters=6, kernel_size=(5, 5), padding=same) self.b1 = tf.keras.layers.BatchNormalization() self.a1 = tf.keras.layers.Activation(relu) self.p1 = tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding=same) self.d1 = tf.keras.layers.Dropout(0.2) self.flatten = tf.keras.layers.Flatten() self.f1 = tf.keras.layers.Dense(128, activation=relu) self.d2 = tf.keras.layers.Dropout(0.2) self.f2 = tf.keras.layers.Dense(10, activation=softmax) def call(self, inputs): x = self.c1(inputs) x = self.b1(x) x = self.a1(x) x = self.p1(x) x = self.d1(x) x = self.flatten(x) x = self.f1(x) x = self.d2(x) y = self.f2(x) return y model = Baseline() model.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=[tf.keras.metrics.sparse_categorical_accuracy]) history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1) model.summary() # show acc = history.history[sparse_categorical_accuracy] val_acc = history.history[val_sparse_categorical_accuracy] loss = history.history[loss] val_loss = history.history[val_loss] print(acc) print(val_loss) plt.figure(figsize=(8, 8)) plt.subplot(1, 2, 1) plt.plot(acc, label=Training Accuracy) plt.plot(val_acc, label=Validation Accuracy) plt.title(Training and Validation Accuracy) plt.legend() plt.subplot(1, 2, 2) plt.plot(loss, label=Training loss) plt.plot(val_loss, label=Validation loss) plt.title(Training and Validation loss) plt.legend() plt.show()

运行结果

部分知识点整理

模型建立

tf.keras.models.Sequential([网络结构]) # 描述各层网洛Sequentail()可以认为是个容器               ，这个容器里封装了一个神经网络结构     
     
     
。在Sequential中要描述从输入层到输出层每一层的网络结构  




   




   




 。

每一层的网络结构可以是 拉直层： tf.keras.layers.Flatten() 



    




    




    
，这一层不含计算














，只是形状转换               ，把输入特征拉直



     



     



     ，变成一维数组 全连接层：

tf.keras.layers.Dense(神经元个数














，activation=“激活函数    
    
    
”    
    
    
，kernel_regularizer=哪种正则化),这一层告知神经元个数 

     

     

    、使用什么激活函数

  




  




  


、采用什么正则化方法 激活函数可以选择relu, softmax, sigmoid, tanh等 正则化可以选择 tf.keras.regularizers.l1(), tf.keras.relularizers.l2() 卷积神经网络层：tf.keras.layers.Conv2D(filters=卷积核个数,kernel_size=卷积核尺寸,strides=卷积步长


     


     


     ， padding=“valid     


     


     


” or “same




 




 




 ”) 循环神经网络层：tf.keras.layers.LSTM()

model.compile

model.compile(optimizer=优化器
 




 




 



，loss=损失函数   

   

   

，metrics=["准确率"])在这里告知训练时选择的优化器  


  


  


、损失函数  
     
     
   、和评测指标


 



 



 
。 这些参数都可以使用字符串形式或函数形式

optimizer: 引导神经网络更新参数

sgd or tf.keras.optimizer.SGD(lr=学习率 

     

     

    ，momentum=动量参数) adagrad or tf.keras.optimizer.Adagrad(lr=学习率) adadelta or tf.keras.optimizer.Adadelta(lr=学习率) adam or tf.keras.optimizer.Adam(lr=学习率

  




  




  


， beta_1=0.9, beta_2=0.999)

loss: 损失函数

mes or tf.keras.losses.MeanSquaredError()

sparse_categorical_crossentropy or

tf.keras.SparseCategoricalCrossentropy(from_logits=False)（是原始输出还是经过概率分布）

metrics：评测指标

accuracy：y_ 和 y 都是数值  


  


  


，如y_=[1] y=[1] categorical_accuracy: y_和y都是独热码（概率分布）  
     
     
   ，如y_=[0, 1, 0], y=[0.256, 0.695,

0.048] sparse_categorical_accuracy: y_是数值


   




   




   

，y是独热码（概率分布）,如y_=[1], y=[0.256,

0.695, 0.048]

训练模型

model.fit(训练集的输入特征 



 



 



，训练集的标签               ，batch_size= 每次喂入神经网络的样本数, epochs=迭代多少次数据集, validation_data=(测试集的输入特征



    




    




    
，测试集的标签














，), validation_split=从训练集划分多少比例给测试集               ，validation_freq=多少次epoch测试一次)

打印网络结构和参数统计

model.summary()