卷积操作就是卷积核（kernal）跟输入数据每个值相乘再加起来得到的一个值作为输出
图源：https://flat2010.github.io/2018/06/15/手算CNN中的参数
数据预处理
在数据预处理上需要注意不再是一维的了，而要保持数组样式，是 28*28*1 的，其他的没差别
train_image_matric = train_image.reshape(60000, 28, 28, 1).astype(float)
test_image_matric = test_image.reshape(10000, 28, 28, 1).astype(float)
train_image_4D_normalize = train_image_4D / 255
test_image_4D_normalize = test_image_4D / 255
train_label_onehotencoding = np_utils.to_categorical(train_label)
test_label_onehotencoding = np_utils.to_categorical(test_label)
数据预处理之后开始建立模型
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Conv2D, MaxPooling2D, Flatten #卷积层、池化层、平坦层
model = Sequential()
添加卷积层
filters=16 表示有 16 个卷积核（也叫滤镜）
kernel_size=(5,5) 表示卷积核的尺寸
padding='same' 表示对原图片进行填充，使得输出能够保持和输入尺寸一致
input_shape=(28,28,1) 输入的尺寸
activation='relu' 激活函数
model.add(Conv2D(filters=16, kernel_size=(5,5), padding='same', input_shape=(28,28,1), activation='relu'))
从这幅图中可以看到，周围添加了一圈之后，经过卷积核再输出的还是原来的尺寸大小
添加池化层
池化层也有一个池化核，但池化运算分为几种：
最大池化核，取池化数据的最大值；
平均池化核，取池化数据的平均值；
最小池化核，取池化数据的最小值；
L2池化核，取池化数据的L2范数；
图示是最大池化过程
model.add(MaxPooling2D(pool_size = (2, 2)))
#沿(垂直,水平)方向缩小比例的因数
#(2,2)会把输入张量的两个维度都缩小一半
添加平坦层
平坦层的作用是将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡
model.add(Flatten())
添加隐藏层
model.add(Dense(units=128, kernel_initializer='normal', activation='relu'))
model.add(Dropout(0.5))
添加隐藏层与输出层之间的关系
model.add(Dense(units=10, kernel_initializer='normal', activation='softmax'))
配置训练模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
训练模型
train_history = model.fit(train_image_4D_normalize, train_label_onehotencoding, validation_split=0.2, epochs=10, batch_size=200, verbose=2)
验证模型准确率
模型准确率是 0.9916
可以看到 CNN 比 MLP 不仅准确率提高了，在不加 Dropout 的情况下过度拟合现象也比 MLP 要小一些
导入训练好的模型进行预测
还是先用之前的方法导出模型
model.save('CNN_MNIST_model.h5')
导入模型
load_model('CNN_MNIST_model.h5')
处理好数据之后调用 predict 函数就可以啦
本文始发于微信公众号（陈冠男的游戏人生）：使用CNN卷积神经网络模型训练mnist数据集
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论