人工智能AI培訓_Tensorflow 2.0實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN對MNIST數(shù)字分類

本教程演示了如何訓練簡單的卷積?神經(jīng)網(wǎng)絡(luò)（CNN）來對MNIST數(shù)字進行分類。這個簡單的網(wǎng)絡(luò)將在MNIST測試集上實現(xiàn)99％以上的準確率。因為本教程使用Keras ?Sequential API，所以創(chuàng)建和訓練我們的模型只需幾行代碼。

注意：CNN使用GPU訓練更快。

?

1. 導入TensorFlow

2. 下載預處理MNIST數(shù)據(jù)集

3. 創(chuàng)建卷積基數(shù)

下面6行代碼使用常見模式定義卷積基數(shù)： Conv2D 和MaxPooling2D層的堆棧。

作為輸入，CNN采用形狀的張量（image_height, image_width, color_channels），忽略批量大小。MNIST有一個顏色通道（因為圖像是灰度的），而彩色圖像有三個顏色通道（R,G,B）。在此示例中，我們將配置CNN以處理形狀（28,28,1）的輸入，這是MNIST圖像的格式，我們通過將參數(shù)input_shape傳遞給第一層來完成此操作。

Model: "sequential"

_________________________________________________________________

Layer (type)                 Output Shape              Param #   

=================================================================

conv2d (Conv2D)     (None, 26, 26, 32)   320       

_________________________________________________________________

max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0         

_________________________________________________________________

conv2d_1 (Conv2D)   (None, 11, 11, 64)   18496     

_________________________________________________________________

max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64)     0         

_________________________________________________________________

conv2d_2 (Conv2D)            (None, 3, 3, 64)          36928     

=================================================================

...

在上面，你可以看到每個Conv2D和MaxPooling2D層的輸出都是3D張量的形狀（高度，寬度，通道），隨著我們在網(wǎng)絡(luò)中更深入，寬度和高度大小趨于縮小，每個Conv2D層的輸出通道的數(shù)由第一個參數(shù)（例如，32或64）控制。通常，隨著寬度和高度的縮小，我們可以（計算地）在每個Conv2D層中添加更多輸出通道

4. 在頂部添加密集層

為了完成我們的模型，我們將最后的輸出張量從卷積基（形狀(3,3,64)）饋送到一個或多個密集層中以執(zhí)行分類。密集層將矢量作為輸入（1D），而當前輸出是3D張量。首先，我們將3D輸出展平（或展開）為1D，然后在頂部添加一個或多個Dense層。MINST有10個輸出類，因此我們使用具有10輸出和softmax激活的最終Dense層。

Model: "sequential"

_________________________________________________________________

Layer (type)                 Output Shape              Param #   

=================================================================

conv2d (Conv2D)   (None, 26, 26, 32)    320       

_________________________________________________________________

max_pooling2d (MaxPooling2D) (None, 13, 13, 32)    0         

_________________________________________________________________

conv2d_1 (Conv2D)    (None, 11, 11, 64)    18496     

_________________________________________________________________

max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64)  0         

_________________________________________________________________

conv2d_2 (Conv2D)  (None, 3, 3, 64)   36928     

_________________________________________________________________

flatten (Flatten)   (None, 576)   0         

_________________________________________________________________

dense (Dense)   (None, 64)    36928     

_________________________________________________________________

dense_1 (Dense)              (None, 10)                650       

=================================================================

...

從上面可以看出，在通過兩個密集層之前，我們的(3,3,64)輸出被展平為矢量（576）。

5. 編譯和訓練模型

...

Epoch 5/5

60000/60000 [==============================] - 15s 258us/sample - loss: 0.0190 - accuracy: 0.9941

6. 評估模型

10000/10000 [==============================] - 1s 92us/sample - loss: 0.0272 - accuracy: 0.9921

0.9921

如你所見，我們簡單的CNN已經(jīng)達到了超過99%的測試精度，這幾行代碼還不錯。另一種編寫CNN的方式here（使用Keras Subclassing API和GradientTape）。

本實驗利用網(wǎng)上已有的北京房價數(shù)據(jù)集預測了北京的房價，實現(xiàn)了TensorFlow的線性回歸應用。