数据介绍

Clifar 10 数据集

5w张 32x32 的图片 训练
1w张 32x32 的图片 测试

输入是分为10个标签，下面的图的左边已经给出了。

导入数据集

可视化一张图片看看
打印出 x的第一张图片的像素点看看
打印出 x的第一张图片对应的输出分类结果
查看 测试集的整体大小 1000张 32x32像素 3通道的图片集合

搭建卷积神经网络

口诀：CBAPD
一层卷积：5x5卷积核，一共有6个
2x2的卷积池，步长为2
两层全连接
第一次层128个神经元
第二层 10分类问题，输出10神经元的全连接层

下图是详细解释

搭建网络

class Baseline(Model):
    def __init__(self):
        super(Baseline,self).__init__()
        self.c1 = Conv2D(filters = 6, kernel_size =(5,5), padding = "same")
        self.b1 = BatchNormalization()
        self.a1 = Activation('relu')
        self.p1 = MaxPool2D(pool_size=(2,2),strides=2,padding='same')
        self.d1 = Dropout(0.2)
        
        self.flatten = Flatten()
        self.f1 = Dense(128,activation='relu') # 全连接网络
        self.d2 = Dropout(0.2) # 20比例休眠神经元
        self.f2 = Dense(10,activation='softmax')
    def call(self,x):
        x = self.c1(x)
        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()

模型配置参数

# 模型配置参数
model.compile(optimizer=keras.optimizers.Adam(),
              loss='sparse_categorical_crossentropy', 
              metrics=['accuracy'])

指定模型输入

# 指定模型的输入
model.build(input_shape=[None, 32, 32, 3])  # 指定输入

查看一张图片的形状和通道情况

x[0].shape

自己创建一个x
看一下通过模型的输出是否符合

# 检查输入通道是否正常
# 创建一个图片数据
# 1是指输入一张图像，两个32是图像长宽，3是指3通道
x = tf.random.normal([1,32,32,3]) 
out = model(x)
out.shape

给模型导入数据，进行训练
train_db 是打包了的训练集
validation_data 是打包了的测试集

# 训练模型
history = model.fit(train_db,epochs=5,validation_data=test_db)

查看模型结构

model.summary()

查看模型的检验数据
比如 loss 或者 acc

history.history()

绘制 loss 或acc随着迭代次数的变化图
如果有loss的话就绘制loss的变化

loss = history.history['loss']
val_loss = history.history['val_loss']

# 绘制loss的图
plt.figure(figsize=(20,10))
plt.subplot(1,2,1)
plt.plot(loss,label='Trainning loss')
plt.plot(val_loss,label='Validation loss')
plt.legend()
plt.grid()
plt.title('loss')

如果有acc就绘制acc的变化

经典卷积网络