Keras实现LeNet-5网络，与可视化网络

模型源自Yann LeCun(1998)的论文《Gradient-Based Learning Applied to Document Recognition》，用于MNIST数据集。模型输入为32X32的灰度图像，第一层为6个5X5卷积核，不扩展边界；第二层为2X2的最大值池化层，步进为2X2；第三层为16个5X5卷积核，不扩展边界；第四层为2X2的最大值池化层，步进为2X2；第五层为展平层，并全连接120个节点；第六层为全连接层，84个节点；第七层为全连接softmax层，输出结果。

原论文中第二层池化层和第三层卷积层之间为是部分连接。本文中并未考虑，而是做成全连接，模型结构如下图所示。

模型采用keras的Sequential实现，源数据分为train和test两个文件夹，每个文件夹下有十个子文件夹，分别方有各数字对应的灰度图。实现代码如下：

import os
import cv2
from numpy import *
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Conv2D, MaxPooling2D, Flatten
from keras.optimizers import SGD
from keras.utils import np_utils
from keras.utils.vis_utils import plot_modeldef loadData(path):data = []labels = []for i in range(10):dir = './'+path+'/'+str(i)listImg = os.listdir(dir)for img in listImg:data.append([cv2.imread(dir+'/'+img, 0)])labels.append(i)print path, i, 'is read'return data, labelstrainData, trainLabels = loadData('train')
testData, testLabels = loadData('test')
trainLabels = np_utils.to_categorical(trainLabels, 10)
testLabels = np_utils.to_categorical(testLabels, 10)model = Sequential()
model.add(Conv2D(filters=6, kernel_size=(5,5), padding='valid', input_shape=(1,28,28), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(filters=16, kernel_size=(5,5), padding='valid', activation='tanh'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(120, activation='tanh'))
model.add(Dense(84, activation='tanh'))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(optimizer=sgd, loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(trainData, trainLabels, batch_size=500, epochs=20, verbose=1, shuffle=True)plot_model(model, to_file='model.png', show_shapes=True, show_layer_names=False)

网络结构图如下：

Keras实现LeNet-5网络，与可视化网络相关推荐

使用Keras训练Lenet网络来进行手写数字识别
使用Keras训练Lenet网络来进行手写数字识别这篇博客将介绍如何使用Keras训练Lenet网络来进行手写数字识别. LeNet架构是深度学习中的一项开创性工作,演示了如何训练神经网络以端到端的 ...
卷积神经网络特征图可视化（自定义网络和VGG网络）
借助Keras和Opencv实现的神经网络中间层特征图的可视化功能,方便我们研究CNN这个黑盒子里到发生了什么. 自定义网络特征可视化代码: # coding: utf-8from keras.mo ...
使用tf.keras搭建mnist手写数字识别网络
使用tf.keras搭建mnist手写数字识别网络目录使用tf.keras搭建mnist手写数字识别网络 1.使用tf.keras.Sequential搭建序列模型 1.1 tf.keras.Se ...
TensorFlow高阶 API: keras教程-使用tf.keras搭建mnist手写数字识别网络
TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字识别网络目录 TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字 ...
OpenShift Security (6) - 用网络图可视化网络访问策略
<OpenShift 4.x HOL教程汇总> 本文在 OpenShift 4.9 和 RHACS 3.67.1 环境中进行验证. 文章目录网络图跟踪查看网络访问通道网络策略模拟器 ...
Pulsar：一款功能强大的可视化网络足迹扫描平台
Pulsar Pulsar是一款专为红队研究人员.渗透测试人员和Bug Hunter们设计的自动化网络足迹扫描平台,该工具可以帮助我们在对目标组织基础设施了解不多的情况下,尽可能多地发现组织面向外部的 ...
国内首个开源网络流量可视化分析平台 -- 流影
流影:基于流量的网络行为高级分析平台流影是一款基于全流量的高级网络行为分析平台,该系统是由深海鱼(北京)科技有限公司流影项目组研发设计,首发开源是1.0版本. 项目简介深海鱼(北京)科技有限公司专 ...
数据可视化笔记7 网络数据可视化
概括网络数据的概念网络数据可视化的节点-链接法 √社交网络的几何特征:中心度.度中心度.介数中心度.临近中心度.特征向量中心度.平均路径长度.集聚系数.模块度 √社交网络的布局:随机布局.圆形布局 ...
数字冰雹可视化html,数字冰雹数据可视化系列产品（二）：网络态势可视化
数字冰雹数据可视化系列产品(二):网络态势可视化时间:2015-08-12 17:28:36 作者:数字冰雹数字冰雹为您将抽象的网络和系统数据进行可视化呈现,帮助用户快速地分析网络状况,识别网络异 ...
ucinet可视化网络关系图_6款社会网络分析软件，你pick哪个？
社会网络分析方法越来越多的被运用到各种研究中现在主流的六种社会网络分析软件各自有哪些优点与不足 1 UCINET简介 UCINET为菜单驱动的Windows程序,可能是最知名和最经常被使用的 ...

Keras实现LeNet-5网络，与可视化网络

Keras实现LeNet-5网络，与可视化网络相关推荐

最新文章

热门文章