這種技術文檔，花的時間是最多的，但是看的人是最少的。反而那些標題黨和心靈雞湯的是最多的，浮躁，不瞞你說，看來我們是一路人，迷茫、浮躁。
卷積神經網絡
抓住它的核心思路，即通過卷積操作縮小了圖像的內容，將模型注意力集中在圖像特定的、明顯的特徵上。
max pooling - 增強特徵，減少數據
實現
在下面的代碼中模型在訓練數據上的精度可能上升到93%左右，在驗證數據上可能上升到91%。
這是朝着正確方向取得的顯著進步!
試着運行更多的epochs--比如20個epochs，然後觀察結果! 雖然結果可能看起來非常好，但實際上驗證結果可能會下降，這是因爲"過擬合"造成的，後面將會討論。
(簡而言之，'過擬合'發生在網絡模型從訓練集中學習到的結果非常好，但它太狹隘了，只能識別訓練數據，而在看到其他數據時效果不佳。舉個例子，如果我們一輩子只看到紅色的鞋子，那麼當我們看到一雙藍色的麂皮鞋可能會感到迷惑......再舉一例，應試教育往往使得學生只對做過的題目有很好的正確率，但對真實的問題卻錯誤率很高）
import tensorflow as tf
print(tf.__version__)
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
training_images=training_images.reshape(60000, 28, 28, 1)
training_images=training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images=test_images/255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.summary()
model.fit(training_images, training_labels, epochs=5)
test_loss = model.evaluate(test_images, test_labels)
卷積模型是如何建立的
第一步是收集數據。我們會注意到，這裏和之前有一點變化，訓練數據需要改變維度（shape）。這是因爲第一次卷積期望一個包含所有數據的單一張量，所以要把訓練數據設置爲60000x28x28x1的一個4D列表，測試圖像也是如此處理。如果不這樣做，會在訓練時得到一個錯誤，因爲卷積操作將不能識別數據形狀。
接下來是定義模型。首先要添加一個卷積層。參數是
-
我們想要生成的卷積數（ 過濾器數量）。這個數值是任意的，但最好是從32開始的倍數。 -
卷積的大小（ 過濾器的大小），在本例中爲3x3網格。這是最常用的尺寸。 -
要使用的激活函數-- 在本例中，我們將使用relu，我們可能還記得它相當於當x>0時返回x，否則返回0。 -
在第一層，設定輸入數據的形狀。
在卷積層之後加上一個MaxPooling層，用來壓縮圖像，同時保持卷積所強調的特徵內容。通過爲MaxPooling指定(2,2)，效果是將圖像的大小縮小四分之一。它的想法是創建一個2x2的像素數組，然後選取最大的一個，從而將4個像素變成1個，在整個圖像中重複這樣做，這樣做的結果是將水平像素的數量減半，垂直像素的數量減半，有效地將圖像縮小25%。
再增加一個卷積層和MaxPooling2D。
現在對輸出進行扁平化處理。在這之後，你將擁有與非卷積版本相同的DNN結構，即全連接神經元網絡。
含有128個神經元的全連接層，以及10個神經元的輸出層。
現在編譯模型，調用model.fit方法做訓練，接着用測試集評估損失和準確率。
網絡結構
看看可否只使用單個卷積層和單個MaxPooling 2D將MNIST（手寫數字）識別率提高到99.8%或更高的準確率。一旦準確率超過這個數值，應該停止訓練。Epochs不應超過20個。如果epochs達到20但精度未達到要求，那麼就需要重新設計層結構。當達到99.8%的準確率時，你應該打印出 "達到99.8%準確率，所以取消訓練！"的字符串。
import tensorflow as tf
from tensorflow import keras
## overwrite callback
class Callbacks(tf.keras.callbacks.Callback):
def on_epoch_end(self, epoch, logs={}):
if(logs.get('accuracy')>=0.998):
print("達到99.8%準確率，所以取消訓練！")
self.model.stop_training = True
callbacks = Callbacks()
## 準備數據
mnist = tf.keras.datasets.mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
## 歸一化
training_images = training_images.reshape(60000, 28, 28, 1)
training_images = training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images = test_images / 255.0
## 建立模型
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D(2, 2),
# tf.keras.layers.Conv2D(62, (3, 3), activation='relu'),
# tf.keras.layers.MaxPooling2D(2,2),
tf.keras.layers.Flatten(), ##扁平化
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
## 訓練
model.compile(optimizer=tf.keras.optimizers.Adam(),
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=['accuracy'])
model.summary()
model.fit(training_images, training_labels, epochs=4, callbacks=[callbacks])
## 預測和評估
test_loss = model.evaluate(test_images, test_labels)
結果
本文分享自微信公衆號 - 程序員匯聚地（chasays）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。