卷积神经网络(CNN)实现CIFAR100类别分类

1. CIFAR100数据集介绍

这个数据集就像CIFAR-10，除了它有100个类，每个类包含600个图像。，每类各有500个训练图像和100个测试图像。CIFAR-100中的100个类被分成20个超类。每个图像都带有一个“精细”标签（它所属的类）和一个“粗糙”标签（它所属的超类）以下是CIFAR-100中的类别列表：

等等...

2. API 使用

用于构建CNN模型的API
- Conv2D：实现卷积，kernel_size,strides,padding,dataformat,'NHWC'和'NCHW'
- MaxPool2D：池化操作

keras.layers.Conv2D(32, kernel_size=5, strides=1,padding='same', data_format='channels_last', activation=tf.nn.relu),keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),

【在池化层写入padding='same'不起作用，不会保留原来的大小，仍然会根据前面的pool_size和stride改变之前形状的大小】

3. 步骤分析以及代码实现(缩减版LeNet5)

读取数据集:
- 从datasets中获取相应的数据集，直接有训练集和测试集
- 需要进行形状处理以及归一化

class CNNMnist(object):def __init__(self):(self.train, self.train_label), (self.test, self.test_label) = \keras.datasets.cifar100.load_data()self.train = self.train.reshape(-1, 32, 32, 3) / 255.0self.test = self.test.reshape(-1, 32, 32, 3) / 255.0

进行模型编写
- 两层卷积层+两个神经网络层
- 网络设计：
第一层
- 卷积：32个filter、大小5*5、strides=1、padding="SAME"
- 激活：Relu
- 池化：大小2x2、strides2
第二层
- 卷积：64个filter、大小5*5、strides=1、padding="SAME"
- 激活：Relu
- 池化：大小2x2、strides2
全连接层

经过每一层图片数据大小的变化需要确定，CIFAR100输入的每批次若干图片数据大小为[None, 32 * 32]，如果要进过卷积计算，需要变成[None, 32, 32, 3]

第一层
- 卷积：[None, 32, 32, 3]———>[None, 32, 32, 32]
  - 权重数量：[5, 5, 3 ,32]
  - 偏置数量：[32]
- 激活：[None, 32, 32, 32]———>[None, 32, 32, 32]
- 池化：[None, 32, 32, 32]———>[None, 16, 16, 32]
第二层
- 卷积：[None, 16, 16, 32]———>[None, 16, 16, 64]
  - 权重数量：[5, 5, 32 ,64]
  - 偏置数量：[64]
- 激活：[None, 16, 16, 64]———>[None, 16, 16, 64]
- 池化：[None, 16, 16, 64]———>[None, 8, 8, 64]
全连接层
- [None, 8, 8, 64]——>[None, 8 8 64]
- [None, 8 8 64] x [8 8 64, 1024] = [None, 1024]
- [None,1024] x [1024, 100]——>[None, 100]
- 权重数量：[8 8 64, 1024] + [1024, 100]，由分类别数而定
- 偏置数量：[1024] + [100]，由分类别数而定

model = keras.Sequential([keras.layers.Conv2D(32, kernel_size=5, strides=1,padding='same', data_format='channels_last', activation=tf.nn.relu),keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),keras.layers.Conv2D(64, kernel_size=5, strides=1,padding='same', data_format='channels_last', activation=tf.nn.relu),keras.layers.MaxPool2D(pool_size=2, strides=2, padding='same'),keras.layers.Flatten(),keras.layers.Dense(1024, activation=tf.nn.relu),keras.layers.Dense(100, activation=tf.nn.softmax),])

其它完整代码

 def compile(self):CNNMnist.model.compile(optimizer=keras.optimizers.Adam(),loss=tf.keras.losses.sparse_categorical_crossentropy,metrics=['accuracy'])return Nonedef fit(self):CNNMnist.model.fit(self.train, self.train_label, epochs=1, batch_size=32)return Nonedef evaluate(self):test_loss, test_acc = CNNMnist.model.evaluate(self.test, self.test_label)print(test_loss, test_acc)return Noneif __name__ == '__main__':cnn = CNNMnist()cnn.compile()cnn.fit()cnn.predict()print(CNNMnist.model.summary())

全部示例代码：

import tensorflow as tf
from tensorflow.python.keras.datasets import cifar100
from tensorflow.python.keras.models import Sequential
from keras import losses, optimizers
from tensorflow.python.keras.layers import Flatten, Conv2D, MaxPool2D, Denseclass CNNMnist(object):"""使用卷积神经网络实现CIFAR100类别分类"""#  编写两层+两层全连接层网络模型model = Sequential([#  卷积层1：32个 5*5*3的filter，strides=1，padding="same"Conv2D(32, kernel_size=5, strides=1, padding="same", data_format="channels_last", activation=tf.nn.relu),#  池化层：2*2窗口，strides=2MaxPool2D(pool_size=2, strides=2, padding='same'),#  卷积层2：64个，5*5*32的filter，strides=1,padding="same"Conv2D(64, kernel_size=5, strides=1, padding='same', data_format='channels_last', activation=tf.nn.relu),#  池化层2：2*2窗口，strides=2，[None, 8,8,64]MaxPool2D(pool_size=2, strides=2, padding='same'),#  [None,8,8,64]  --- > [None, 8*8*64]Flatten(),  # 会有默认值的#  全连接层神经网络#  1024个神经元网络层Dense(1024, activation=tf.nn.relu),#  100个神经元神经网络Dense(100, activation=tf.nn.softmax)])def __init__(self):#  获取训练测试数据(self.x_train, self.y_train), (self.x_test, self.y_test) = cifar100.load_data()print(self.x_train.shape)print(self.x_test.shape)print(self.y_train.shape)print(self.y_test.shape)#  进行数据归一化self.x_train = self.x_train / 255.0self.x_test = self.x_test / 255.0def compile(self):CNNMnist.model.compile(optimizer=optimizers.Adam(), loss=losses.sparse_categorical_crossentropy, metrics=['accuracy'])return Nonedef fit(self):CNNMnist.model.fit(self.x_train, self.y_train, epochs=1, batch_size=32)return Nonedef evaluate(self):test_loss, test_acc = CNNMnist.model.evaluate(self.x_test, self.y_test)print(test_loss, test_acc)return Noneif __name__ == '__main__':cnn = CNNMnist()cnn.compile()cnn.fit()cnn.evaluate()

运行结果：

(50000, 32, 32, 3)
(10000, 32, 32, 3)
(50000, 1)
(10000, 1)
1563/1563 [==============================] - 67s 43ms/step - loss: 3.5395 - accuracy: 0.1694
313/313 [==============================] - 3s 9ms/step - loss: 2.9754 - accuracy: 0.2700
2.9753782749176025 0.27000001072883606

卷积神经网络(CNN)实现CIFAR100类别分类相关推荐

【飞桨】卷积神经网络(CNN)实现猫狗分类
目录什么是卷积神经网络? 一.数据准备二.网络配置 1. 定义网络 2. 定义输入数据的格式 3. 定义损失函数和准确率 4. 定义优化方法三.模型训练&评估四.模型预测五.完整代码 ...
【TensorFlowKeras】基于卷积神经网络CNN的猫狗分类
文章目录一.猫狗数据集二.构建网络三.基准模型调整四.使用VGG19实现猫狗分类五.参考
文本分类(下) | 卷积神经网络(CNN)在文本分类上的应用
正文共3758张图,4张图,预计阅读时间18分钟. 1.简介原先写过两篇文章,分别介绍了传统机器学习方法在文本分类上的应用以及CNN原理,然后本篇文章结合两篇论文展开,主要讲述下CNN在文本分类上的 ...
基于卷积神经网络CNN的水果分类预测，卷积神经网络水果等级识别
目录背影卷积神经网络CNN的原理卷积神经网络CNN的定义卷积神经网络CNN的神经元卷积神经网络CNN的激活函数卷积神经网络CNN的传递函数卷积神经网络CNN水果分类预测基本结构主要参 ...
keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）
版权声明:小博主水平有限,希望大家多多指导. 目录: [使用传统DNN] BG大龍:[DL项目实战02]图像分类--Keras框架+使用传统神经网络DNNzhuanlan.zhihu.com [使用 ...
[人工智能-深度学习-33]：卷积神经网络CNN - 常见分类网络- LeNet网络结构分析与详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
基于卷积神经网络CNN的甘蔗芽体自动识别，卷积神经网络分类预测
目录背影卷积神经网络CNN的原理卷积神经网络CNN的定义卷积神经网络CNN的神经元卷积神经网络CNN的激活函数卷积神经网络CNN的传递函数卷积神经网络CNN甘蔗芽体自动识别基本结构主 ...
卷积神经网络CNN（Convolutional Neural Network）原理与代码实现 Le-Net5
图像识别经典数据集: 图像识别是人工智能的一个重要的领域.其他常用的图像识别数据集: CIFAR: http://www.cs.toronto.edu/~kriz/cifar.html CIFAR数 ...
深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-03-基于Python的LeNet之LR
原地址可以查看更多信息本文主要参考于:Classifying MNIST digits using Logistic Regression python源代码(GitHub下载 CSDN免费下载) ...

卷积神经网络(CNN)实现CIFAR100类别分类

卷积神经网络(CNN)实现CIFAR100类别分类

1. CIFAR100数据集介绍

2. API 使用

3. 步骤分析以及代码实现(缩减版LeNet5)

卷积神经网络(CNN)实现CIFAR100类别分类相关推荐

最新文章

热门文章