load data¶
CIFAR-10数据集中包含了50000个训练数据与10000个测试数据。
图片是32*32大小的RGB图片，每个像素点由红色、绿色、蓝色通道3个数字组成（0-255)。
输出y由一个数字表示，0到9这10个数字分别代表10类物体。
0：飞机，1：汽车，2：鸟，3：猫，4：鹿，5：狗，6：青蛙，7：马，8：船，9：卡车
In [1]:
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data() #使用keras提供的api读取数据
num_classes = 10
print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)
visualization¶
In [2]:
import numpy as np
import matplotlib.pyplot as plt
fig, axes = plt.subplots(num_classes, 10, figsize=(15, 15)) # 新建一个包含100张子图的10行10列的画布
for i in range(num_classes): # 对于每一类物体
indice = np.where(y_train == i)[0] #找到标签为i的图像下标
for j in range(10): # 输出前10张图片
axes[i][j].imshow(x_train[indice[j]])
# 去除坐标刻度
axes[i][j].set_xticks([])
axes[i][j].set_yticks([])
plt.tight_layout()
plt.show()
preprocess¶
In [3]:
from keras.utils import to_categorical
#归一化
x_train = x_train / 255
x_test = x_test / 255
#将训练数据的标签独热编码
y_train = to_categorical(y_train, num_classes)
y_test = to_categorical(y_test, num_classes)
In [4]:
print(y_train.shape)
print(y_train[0])
CNN¶
使用 Keras 搭建一个如下的卷积神经网络
In [5]:
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D, Dropout
model = Sequential()
# Conv2D: 卷积层
# - 32: 卷积核的个数
# - (3, 3): 卷积核大小
# - padding=’same‘：补齐模式图片卷积后大小不变
# - input_shape=x_train.shape[1:]: 将输入大小告诉网络的第一层，方便推导后面所需参数
# - activation="relu": 使用 relu 激活函数
model.add(Conv2D(32, (3, 3), padding="same", input_shape=x_train.shape[1:], activation="relu"))
model.add(Conv2D(32, (3, 3), padding="same", activation="relu"))
model.add(MaxPooling2D(pool_size=2)) # 最大池化层，在2*2的区域中选取最大的数
model.add(Dropout(0.25)) # 丢弃层，随机将25%的神经元设为0
model.add(Conv2D(64, (3, 3), padding="same", activation="relu"))
model.add(Conv2D(64, (3, 3), padding="same", activation="relu"))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.25))
model.add(Flatten()) # 转为一维数据
model.add(Dense(512, activation="relu")) # 全连接层
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation="softmax")) # 最后一个全连接层使用 softmax 激活函数，输出分类概率
# 使用 model.compile 编译模型
# - loss='categorical_crossentropy': 使用交叉熵为损失函数
# - optimizer="adam": 使用 adam 优化器
# - metrics=['accuracy']: 使用准确率为指标
model.compile(loss='categorical_crossentropy',
optimizer="adam",
metrics=['accuracy'])
In [6]:
model.summary()
In [7]:
batch_size = 32
epochs = 5
history = model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])