运用tensorflow中的keras搭建卷积神经网络

六步法

1、导入tensorflow库

import tensorflow.keras as keras

2、准备训练数据

x_train,y_train
x_test,y_test

3、搭建网络结构

• 生成一个保存网络结构的容器

model = keras.models.Sequential() #描述各层网络

• 卷积层

keras.layers.Conv2D(
	filters,  #卷积核个数
    kernel_size,  #卷积核尺寸 一般为(3,3)
    strides=(1, 1),  #滑动步长 默认(1,1)
    padding='valid',  #补零策略 'valid'或者'same'
    activation=None,  #激活函数 常用的有relu，softmax，selu
    input_shape  #定义输入的数据样式 (64,64,3)64*64的三维图
)

• 池化层

keras.layers.MaxPooling2D(
    pool_size=(2, 2),  #池化层大小
    strides=None,  #步长
    padding='valid',  #补零策略 'valid'或者'same'
    data_format=None
)

• 压平（将数据变为一维，常用在从卷积层到全连接层的过度）

keras.layers.Flatten()

• 全连接层

keras.layers.Dense(
    units,  # 输出空间的维数
    activation=None, # 激活函数 常用的有relu，softmax，selu
    use_bias=True, # 布尔值，是否使用偏移向量
)

• Dropout层（防止过拟合，提高模型的泛化能力）

keras.layers.Dropout(
	rate, #0-1之间的小数 丢弃的百分比
    noise_shape=None, 
    seed=None #随机种子
)

4、打印网络结构和参数统计

model.summary()
summary 函数用于打印网络结构和参数统计

5、配置训练时用的优化器、损失函数和准确率评测标准

model.compile(
    optimizer, #优化器
    loss, # 损失函数
    metrics #网络评价指标
)

• optimizer参数可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置学习率、动量和超参数
  • “sgd” 或者 keras.optimizers.SGD(lr = 学习率,decay = 学习衰减率,momentum = 动量参数）
  • "adagrad’"或者 keras.optimizers.Adagrad(lr = 学习率, decay = 学习率衰减率）
  • "adadelta"或者 keras.optimizers.Adadelta(lr = 学习率, decay = 学习率衰减率）
  • "adam"或者 keras.optimizers.Adam(lr = 学习率,decay = 学习率衰减率）
• lose参数可以是字符串形式给出的损失函数的名字，也可以是函数形式、
  • "mse"或者 keras.losses.MeanSquaredError()
  • “sparse_categorical_crossentropy” 或者keras.losses.SparseCatagoricalCrossentropy(from_logits = False)
• Metrics标注网络评价指标
  • “accuracy” : y_ 和 y 都是数值，如y_ = [1] y = [1] #y_为真实值，y为预测值
  • "sparse_accuracy"y_和y都是以独热码 和概率分布表示，如y_ = [0, 1, 0], y = [0.256, 0.695, 0.048]
  • "sparse_categorical_accuracy"y_是以数值形式给出，y是以 独热码给出，如y_ = [1], y = [0.256 0.695, 0.048]

6、fit

model.fit( 
    x, y, 
    batch_size=32, 
    epochs=10, 
    verbose=1, 
    callbacks=None,
	validation_split=0.0, 
    validation_data=None, 
    shuffle=True, 
    class_weight=None, 
    sample_weight=None, 
    initial_epoch=0
)

• x：输入数据。如果模型只有一个输入，那么x的类型是numpy
  array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array
• y：标签，numpy array
• batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
• epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch
• verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
• callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
• validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
• validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
• shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
• class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）
• sample_weight：权值的numpy
  array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=’temporal’。
• initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。

fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况