本文我們將學(xué)習(xí)使用Keras一步一步搭建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。具體來說，我們將使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)手寫數(shù)字(MNIST數(shù)據(jù)集)進(jìn)行識(shí)別，并達(dá)到99%以上的正確率。

我們還將介紹Colaboratory——一個(gè)免費(fèi)的Jupyter notebook環(huán)境，關(guān)鍵的是可以免費(fèi)使用GPU(學(xué)生黨買不起呀)！

為什么選擇Keras呢？

主要是因?yàn)楹?jiǎn)單方便。更多細(xì)節(jié)請(qǐng)看：https:///

什么卷積神經(jīng)網(wǎng)絡(luò)？

簡(jiǎn)單地說，卷積神經(jīng)網(wǎng)絡(luò)(CNNs)是一種多層神經(jīng)網(wǎng)絡(luò)，它可以有效地減少全連接神經(jīng)網(wǎng)絡(luò)參數(shù)量太大的問題。如果對(duì)其背后的原理感興趣的話，斗膽推薦一些學(xué)習(xí)資料：

深度學(xué)習(xí)入門：基于Python的理論與實(shí)現(xiàn)

Neural Networks and Deep Learning

CS231n: Convolutional Neural Networks for Visual Recognition

下面就直接進(jìn)入主題吧！

1. 搭建環(huán)境

如果想要在個(gè)人電腦上搭建的話，我們需要先安裝好Python，進(jìn)入：https://www./

下載安裝就好。

之后，打開終端輸入pip install -i
https://pypi.douban.com/simple keras

輸入以下命令可以確認(rèn)正常安裝：

當(dāng)然，如果想直接使用Colaboratory的話，直接打開你的Google云端硬盤

為了方便起見，新建一個(gè)名為Keras的文件夾，進(jìn)入Keras文件夾，單擊鼠標(biāo)右鍵

選擇Colaboratory就可新建一個(gè)Jupyter notebok啦！

如果沒有看到Colaboratory這一項(xiàng)的話，就選擇關(guān)聯(lián)更多應(yīng)用

搜索Colaboratory，并關(guān)聯(lián)即可。

2. 導(dǎo)入庫(kù)和模塊

我們導(dǎo)入Sequential模型(相當(dāng)于放積木的桌子)

from keras.models import Sequential

接下來，我們導(dǎo)入各種層(各種形狀各異積木)

最后，我們導(dǎo)入to_categorical函數(shù)，以便之后對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換

from keras.utils import to_categorical

3. 加載數(shù)據(jù)

MNIST是一個(gè)非常有名的手寫數(shù)字?jǐn)?shù)據(jù)集，我們可以使用Keras輕松加載它。

查看一下訓(xùn)練集的大小

print(x_train.shape)# (60000, 28, 28)

可以看到60000個(gè)樣本，它們都是28像素x28像素的。

看一下這些手寫數(shù)字長(zhǎng)什么樣

4. 預(yù)處理數(shù)據(jù)

使用Keras是必須顯式聲明輸入圖像深度的尺寸。例如，具有所有3個(gè)RGB通道的全色圖像的深度為3。

我們的MNIST圖像的深度為1，但我們必須明確聲明。

也就是說，我們希望將數(shù)據(jù)集從形狀(n,rows,cols)轉(zhuǎn)換為(n,rows,cols,channels)。

img_x, img_y = 28, 28x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1)x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1)

除此之外，我們將數(shù)據(jù)標(biāo)準(zhǔn)化一下：

之后，將標(biāo)記值(y_train, y_test)轉(zhuǎn)換為One-Hot Encode的形式，至于為什么要這么做？請(qǐng)查看：
https:///why-one-hot-encode-data-in-machine-learning/

y_train = to_categorical(y_train, 10)y_test = to_categorical(y_test, 10)print(y_train.shape)# (60000, 10)

5. 定義模型結(jié)構(gòu)

我們參照下圖定義一個(gè)模型結(jié)構(gòu)

代碼如下：

是不是有點(diǎn)搭積木的既視感？

6. 編譯

現(xiàn)在，只需要編譯模型，就可以開始訓(xùn)練了。當(dāng)編譯模型時(shí)，我們聲明了損失函數(shù)和優(yōu)化器（SGD，Adam等）。

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

Keras有很多損失函數(shù)和優(yōu)化器供你選擇。

7. 訓(xùn)練

接下來，我們傳入訓(xùn)練集進(jìn)行訓(xùn)練

以下是在Colaboratory上訓(xùn)練的過程

以下是在個(gè)人電腦上訓(xùn)練的過程

可以看到，花費(fèi)的時(shí)間差別還是很大的！

8. 評(píng)估模型

最后，傳入測(cè)試集對(duì)模型模型進(jìn)行評(píng)估

score = model.evaluate(x_test, y_test)print('acc', score[1])# acc 0.9926

準(zhǔn)確率達(dá)到了%99以上！

完整代碼如下：

#今日頭條小助手##cnn##深度學(xué)習(xí)#