用 Python 建構基本的捲積神經網路 (CNN)-Python教學-PHP中文網

用 Python 建構基本的捲積神經網路 (CNN)

WBOY

發布： 2024-08-28 18:33:07

原創

836 人瀏覽過

Building a Basic Convolutional Neural Network (CNN) in Python

卷積神經網路 (CNN) 是用於影像處理和辨識任務的強大工具。它們被設計為透過反向傳播自動、自適應地學習特徵的空間層次結構。讓我們深入研究使用 Python 和 TensorFlow/Keras 建立基本的 CNN。

？先決條件

開始之前，請確保您已安裝以下程式庫：

pip install tensorflow numpy matplotlib

登入後複製

?️ 步驟1：導入必要的庫

先導入必要的函式庫：

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

登入後複製

?️ 第 2 步：載入並預處理資料集

在此範例中，我們將使用 CIFAR-10 資料集，該資料集由 10 個類別的 60,000 張 32x32 彩色影像組成。

# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

# Normalize the pixel values to be between 0 and 1
x_train, x_test = x_train / 255.0, x_test / 255.0

登入後複製

？第 3 步：建構 CNN 模型

現在，讓我們建立 CNN 模型。模型將包括關鍵層：卷積層、池化層和密集層。

model = models.Sequential()

# First Convolutional Layer
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))

# Second Convolutional Layer
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

# Third Convolutional Layer
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# Flatten the output and add Dense layers
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

登入後複製

？第四步：編譯模型

編譯模型涉及指定最佳化器、損失函數和訓練期間要監控的指標。

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

登入後複製

？第 5 步：訓練模型

使用幾個 epoch 的訓練資料訓練 CNN 模型。

history = model.fit(x_train, y_train, epochs=10, 
                    validation_data=(x_test, y_test))

登入後複製

？第 6 步：評估模型

訓練後，根據測試資料評估模型，看看它的表現如何。

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'\nTest accuracy: {test_acc}')

登入後複製

?️ 第 7 步：視覺化訓練結果

最後，讓我們可視化訓練時期的準確性和損失。

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()

登入後複製