卷积神经网络(二)CIFAR100类别分类

一.数据介绍

总共一百个类，每个类有600个图像。每类500个训练图像，100个测试图像。没填图像都带有一个"精细"标签（它所属的类）核一个粗糙标签（它所属的超类）

二.API使用

用于构建CNN模型的API

Conv2D：实现卷积，kernel_size,strides,padding,datafromat,'NHWC'核'NCHW'

MaxPool2D:池化操作

import keras
import tensorflow as tf

# 构建卷积层，filters：多少个卷积核，kernel_size每个卷积核为5*5大小
# strides：步长，padding：零填充大小为same形式，activation：使用什么激活函数
keras.layers.Conv2D(filters=32,kernel_size=5,strides=1,
                    padding='same',data_format='channels_last',activation=tf.nn.relu)


# 构建池化操作
keras.layers.MaxPool2D(pool_size=2,strides=2,padding='same')

三：代码实现

1.读取数据集

class CNNMnist():
    def __init__(self):
        # 读取数据
        (self.train,self.train_label),(self.test,self.test_label)=keras.datasets.cifar100.load_data()
        # 数据转换为32*32大小的3通道数据，并对数据归一化
        self.train=self.train.reshape(-1,32,32,3)/255.0
        self.test=self.train.reshape(-1,32,32,3)/255.0

2.进行模型编写

1.结构设计

两层卷积层+两层神经网络

第一层：卷积核大小5*5形式的32个，步长为1，零填充为same形式，激活函数为relu，池化为大小2*2步长为2

第二层：卷积核大小5*5形式的64个，步长为1，零填充为same形式，激活函数为relu，池化为大小2*2步长为2

经过每一层图片数据大小的变化需要确定，导入的数据中每批次若干图片数据大小为None,32\*32，如果要经过卷积计算，需要变成None,32,32,3

2.数据变化

第一层：

卷积前-卷积后=None,32,32,3-None,32,32,32，因为外面卷积核里设置的fiter为32个，所以卷积后会生成32个特征图。激活函数过后：None,32,32,32-None,32,32,32

池化后：None,32,32,32-None,16,16,32，因为外面池化设置的poll_size核strides都是2

第二层：

卷积前-卷积后=None,16,16,32-None,16,16,64。激活函数过后：None,16,16,64-None,16,16,64

池化后：None,16,16,64-None,8,8,64，因为外面池化设置的poll_size核strides都是2

全连接层：

传入全连接层的数据形式为：None,8,8,64，因为是全连接所以变化后还是None,8,8,64，经过第一层神经网络后：None,8,8,64*None,8,8,64=None,1024，然后到输出层的时候None,1024*1024,100=None,100

model = keras.Sequential([
        keras.layers.Conv2D(32, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
        keras.layers.Conv2D(64, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
        keras.layers.Flatten(),
        keras.layers.Dense(1024, activation=tf.nn.relu),
        keras.layers.Dense(100, activation=tf.nn.softmax),
    ])

定义模型参数

训练模型

模型评估

这些在上几章说过了

完整代码

from tensorflow import keras
import tensorflow as tf

class CNNMnist():
    # 建立模型
    model = keras.Sequential([
        # 建立第一层卷积层
        keras.layers.Conv2D(32, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        # 建立池化层
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),
        # 建立第二层卷积层
        keras.layers.Conv2D(64, kernel_size=5, strides=1,
                            padding='same', data_format='channels_last', activation=tf.nn.relu),
        # 建立第二层池化层
        keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),

        keras.layers.Flatten(),
        # 建立第一层神经网络
        keras.layers.Dense(1024, activation=tf.nn.relu),
        # 建立输出层
        keras.layers.Dense(100, activation=tf.nn.softmax),
    ])
    def __init__(self):
        (self.train,self.train_label),(self.test,self.test_label)=keras.datasets.cifar100.load_data()

        self.train=self.train.reshape(-1,32,32,3)/255.0
        self.test=self.train.reshape(-1,32,32,3)/255.0
    

    # 定义模型参数的函数
    def compile(self):
        CNNMnist.model.compile(optimizer=keras.optimizers.Adam(),
                               loss=keras.losses.sparse_categorical_crossentropy,
                               metrics=['accuracy'])
        return None
    # 开始训练函数
    def fit(self):
        CNNMnist.model.fit(self.train, self.train_label, epochs=1, batch_size=32)

        return None
    # 模型评分函数
    def evaluate(self):
        test_loss, test_acc = CNNMnist.model.evaluate(self.test, self.test_label)

        print(test_loss, test_acc)
        return None


if __name__ == '__main__':
    cnn = CNNMnist()

    cnn.compile()

    cnn.fit()


    print(CNNMnist.model.summary())

都看到这里了，点个赞把！！！