[PYTHON] Erstellen Sie einfach CNNs mit Keras

Hinweise zum Erstellen und Klassifizieren von CNNs mit Keras mithilfe des CIFAR-10-Datasets

Bibliothek zum Importieren

from keras.models import Sequential
from keras.layers.convolutional import Conv2D
from keras.layers.pooling import MaxPool2D
from keras.optimizers import Adam

from keras.layers.core import Dense, Activation, Dropout, Flatten
from keras.utils import plot_model
from keras.callbacks import TensorBoard

from keras.datasets import cifar10
from keras.utils import np_utils

• Sequentiell: Modul zum Generieren von Modellen
• Conv2d: Zweidimensionales Faltungsschichtmodul
• MaxPool2D: 2D Max Pooling Layer-Modul
• Adam: Verwenden Sie Adam zur Optimierung
• Dicht: Schichtmodul der vollständig verbundenen Schicht
• Aktivierung: Aktivierungsfunktionsbaustein
• Dropout: Dropout-Modul
• Abflachen: Modul zum Glätten der Eingabe
• plot_model: Gibt das konstruierte Modell als Diagramm aus
• Tensorboard: Speichern Sie den Lernprozess auf Tensorboard
• cifar10: Modul zum Arbeiten mit CIFAR-10-Datensätzen
• np_utils: Wird für die One-Hot-Darstellung verwendet

Datenaufbereitung

Laden Sie CIFAR-10 herunter

(X_train, y_train),(X_test, y_test) = cifar10.load_data()

• X_train: Trainingsdaten
• y_train: Trainingsetikett
• X_test: Testdaten
• y_test: Testetikett

Wird gelagert.

Pixelwerte normalisieren

Normalisieren Sie jeden Pixelwert im Bereich von 0-1

#Geben Sie die Konvertierung in float ein
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
#Normalisieren Sie jeden Pixelwert
X_train /= 255.0
X_test /= 255.0

In One-Hot-Ausdruck konvertieren

Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

Mit np_utils.to_categorical in eine One-Hot-Darstellung für nb_classes-Klassen konvertieren. Da es diesmal 10 Klassen gibt, setzen wir nb_classes = 10.

Modelldefinition

Definieren Sie tatsächlich das Modell,

#Modelldefinition
model = Sequential()

model.add(Conv2D(32,3,input_shape=(32,32,3)))
model.add(Activation('relu'))
model.add(Conv2D(32,3))
model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2)))

model.add(Conv2D(64,3))
model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dropout(1.0))

model.add(Dense(nb_classes, activation='softmax'))

adam = Adam(lr=1e-4)

model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=["accuracy"])

Definieren Sie ein Modellobjekt mit model.Sequential (). Es ist möglich, Elemente mit model.add () hinzuzufügen. Das erste model.add () fügt eine 32x32-Faltungsschicht (Kernel 3x3) hinzu, und da das Eingabebild ein 32x32-RGB-Bild ist, ist die Eingabeebene input_shape (32,32,3). Es kann durch definiert werden. Verwenden Sie Activation (), um die Aktivierungsfunktion hinzuzufügen, und Dense (), um die vollständig verbundene Ebene hinzuzufügen. Stellen Sie model.compile () ein, um Adam als Optimierungsmethode, Kreuzentropie als Fehlerfunktion und Genauigkeit als Berechnung zu erhalten.

Ausführung des Lernens

history = model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, verbose=1, validation_split=0.1)

Sie können mit model.fit () lernen. Dieses Mal setzen wir nb_epoch = 100, um die Anzahl der Epochen auf 100 zu setzen. varidation_split ist ein Parameter, der einen bestimmten Prozentsatz der Trainingsdaten für den Test verwendet. Dieses Mal werden 10% für den Test verwendet.

Datenvisualisierung

Visualisieren Sie Daten mit Keras

#Zeichnen Sie das Modell
plot_model(model, to_file='./model2.png')

Speichern Sie das trainierte Modell

Da das trainierte Modell als Datei gespeichert werden kann, können die Modellkonfigurationsdaten als JSON-Datei und die Modellgewichtsdaten als HDF5-Datei gespeichert werden.

json_string = model.to_json()
open(os.path.join('./', 'cnn_model.json'), 'w').write(json_string)

model.save_weights(os.path.join('./', 'cnn_model_weight.hdf5'))

Da diesmal Tensorflow für das Backend verwendet wird, kann Tensorboar auch unten verwendet werden. [Keras / TensorFlow] Verwenden von TensorBoard mit Keras

Zusammenfassung

Wir haben CNN mit Keras konstruiert und 10 Kategorien mit CIFAR-10 klassifiziert. Von hier aus werde ich verschiedene Dinge ausprobieren.

Source Code https://github.com/sasayabaku/Machine-Learning/blob/master/Example_CNN/cifar10.ipynb

Verweise

Keras Documentation Deep Learning beginnend mit Keras