最近学习CNN，搭建CNN模型时看网上鱼龙混杂的博客走了不少歪路，决定自己来总结一下。
注意本教程未必对所有版本有效，请根据需要的版本适当调整。文章中配置的环境是Python 3.8.12 ，TensorFlow 2.3.0，Keras 2.4.3，构建自己的模型时TensorFlow是升级到了2.6.0。与文章中截图的中显示的版本可能略有不同，那是因为从我以前的笔记中截取的，请以文字为准

搭建环境

我们需要事先确定需要的Python、Keras以及TensorFlow版本。
以我为例，我想要构建自己的CNN模型，而且需要使用一些TensorFlow 2.3版本以后才支持的API，所以得安装比较新的版本，那么目前来说（2022.3.16）得需要Python 3.7以上的版本。

环境配置

Anaconda安装

方便起见，我们下载Anaconda用于环境搭建，Anaconda官网

点Download下载安装包即可。
下载完成打开安装程序

点击next

接受协议

为所有用户安装（为自己也行），这里会要管理员权限

选择安装位置

这个…英文能看懂吧，我就不翻译了，图省事我勾选了上方的配置系统变量，添加到我使用PyCharm所以也勾选了下方的，然后点Install安装即可。

创建Python环境

下一步我们来创建一个Python环境。这里使用GUI创建，如果熟悉的话命令行也可。

打开上一步安装的Anaconda Navigator

点击Environments里的create来创建环境

为环境起个名字，并选择相应Python版本。我这里叫tf2，选的是python 3.7.11版本。
再次点击create后稍作等待，待其安装完成。

安装完成后打开终端（open terminal）
键入

python -V

说明已经成功安装了python 3.9.7，需要该环境的时候使用

conda activate tf2#环境名

激活环境即可。

安装TensorFlow和Keras

依旧是在Anaconda Navigator中操作

选择Not installed栏，搜索tensorflow

勾选tensorflow然后点击apply

等待搜索依赖

再次点击apply，他会开始安装所有相关依赖以及tensorflow本体
安装完成后打开终端（上文提到的打开方式）

如图表明已经激活名为“tf2”的环境，接下来键入

python
import tensorflow as tf
print(tf.__version__)

看到对应安装的版本号，说明安装成功了。接下来再安装keras

选择Not installed栏，搜索keras

勾选keras然后点apply，接下来同前文提到tensorflow安装流程一样，弹出串口点击apply安装，待安装完成，终端键入

python
import keras
print(keras.__version__)

显示keras版本号，安装完成

安装其他依赖

为了可视化训练结果，我们需要matplotlib库，另外安装ipython和jupyter。
类似于上文安装的过程，我们在Anaconda Navigator搜索安装即可，在此不多赘述。

安装问题汇总

Anaconda安装依赖无法满足

根据文字说明可以发现是一些依赖项版本无法符合的原因，一般是一般是Python版本过高造成的，固然tensorflow和keras支持Python 3.7-3.10版本,但其他库可能不支持高版本Python，所以解决方法之一便是降版本，安装更低版本的Python，不过降版本Anaconda上可安装的tensorflow版本也会降，如有需要得手动安装高版本tensorflow，相应的依赖项版本可能也有变动，比较麻烦；方法之二就是手动安装依赖项，适合有经验的人。

实操构建CNN模型

其实Keras和TensorFlow官网都有实例代码及其讲解，也可以自己去看看。

跑一个例程

跟着跑例程的操作主要是为了理解API的用法，这里用的是TensorFlow的新手指导例程，原网址
官方有较详尽的解释，有官方中文，新手建议跟着走一遍加深理解，我这里是简化版的，没有可视化部分，官方有可视化部分，需要安装matplotlib库。

# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras# Helper libraries
import numpy as np
# import matplotlib.pyplot as pltprint(tf.__version__)# 导入 Fashion MNIST 数据集
fashion_mnist = keras.datasets.fashion_mnist(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']# 预处理数据
# 归一化
train_images = train_images / 255.0test_images = test_images / 255.0# 构建模型
# 设置层
model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)),keras.layers.Dense(128, activation='relu'),keras.layers.Dense(10)
])
#编译模型
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, epochs=10)# 评估准确率
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print('\nTest accuracy:', test_acc)# 进行预测
# 附加一个 softmax 层，将 logits 转换成更容易理解的概率。
probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()])
# 抓取一个测试图像
img = test_images[1]
# 添加图像到只有一个元素的batch
img = (np.expand_dims(img,0))
prediction = probability_model.predict(img)
# 打印概率数组
print(prediction)
# 挑出概率最大的作为预测结果
print(np.argmax(prediction))

构建自己的CNN模型

终于到了这一步了，哪个男孩不想拥有一套自己的CNN呢（雾）
我这里也是按图索骥，可以看看TensorFlow官方的教程
我取了智能车赛的图像作为训练数据集，实现对赛道元素的分类。数据量不多，但是赛道毕竟特征明显，我想应该够用了。
注意：我这里用的是TensorFlow版本是2.6.0。前文安装的2.3.0版本是没有image_dataset_from_directoryAPI的，从图片制作数据集稍麻烦。

准备工作

首先需要一些分好类的图像文件，分别位于对应类名的文件夹中
结构如下

track/crossroad/curve/fork/ramp/roundabout/straight/

编写程序


import osfrom tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import tensorflow as tf
import matplotlib.pyplot as plt# os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"directory="E:/dataset/track"  # 目录位置，自己设batch_size = 32   # batch大小
img_height = 120  # 图像高
img_width = 188   # 图像宽# 从文件目录构建训练数据集好测试数据集，两者4:1
# 我的是灰度图，所以设置了彩色模式为灰度
train_ds = tf.keras.utils.image_dataset_from_directory(directory,color_mode="grayscale",validation_split=0.2,subset="training",seed=123,image_size=(img_height, img_width),batch_size=batch_size)val_ds = tf.keras.utils.image_dataset_from_directory(directory,color_mode="grayscale",validation_split=0.2,subset="validation",seed=123,image_size=(img_height, img_width),batch_size=batch_size)class_names = train_ds.class_names
# 打印出分类名称
print(class_names)# plt.figure(figsize=(10, 10))
# for images, labels in train_ds.take(1):
#   for i in range(9):
#     ax = plt.subplot(3, 3, i + 1)
#     plt.imshow(images[i].numpy().astype("uint8"))
#     plt.title(class_names[labels[i]])
#     plt.axis("off")
# 种类数
num_classes = len(class_names)model = tf.keras.Sequential([tf.keras.layers.Rescaling(1./255),# 3层卷积层，relu函数激活，每层后进行一次maxpooling池化layers.Conv2D(16, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(32, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(64, 3, padding='same', activation='relu'),layers.MaxPooling2D(),tf.keras.layers.Flatten(),tf.keras.layers.Dense(120, activation='relu'),tf.keras.layers.Dense(60, activation='relu'),tf.keras.layers.Dense(num_classes)
])
model.compile(optimizer='adam',loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
epochs = 40
history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)# 可视化训练过程
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']loss = history.history['loss']
val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

效果

(作为示例程序模型没有细调)

本人也是CNN新手，文章可能还有不足，如有问题请在评论区指出，我会尽可能完善，愿共同学习共同进步;)

从零开始，手把手教你使用Keras和TensorFlow构建自己的CNN模型相关推荐

手把手教你用Keras进行多标签分类（附代码）_数据派THU-CSDN博客 (翻译：程思衍校对：付宇帅)
手把手教你用Keras进行多标签分类(附代码)_数据派THU-CSDN博客手把手教你用Keras进行多标签分类(附代码)_数据派THU-CSDN博客
[摄影基本学习]-01-认识相机(从零开始手把手教你学摄影)
内容主要参照b站<从零开始手把手教你学摄影,20节课带你从小白到大师 | 摄影前期拍摄入门 >,宝藏up主推荐: 熊熊Bearie 链接: https://www.bilibili.com ...
[摄影基本学习]-02-器材了解(从零开始手把手教你学摄影)
内容主要参照b站<从零开始手把手教你学摄影,20节课带你从小白到大师 | 摄影前期拍摄入门 >,宝藏up主推荐:熊熊Bearie 链接:https://www.bilibili.com/v ...
[摄影基本学习]-03-基础了解(从零开始手把手教你学摄影)
内容主要参照b站<从零开始手把手教你学摄影,20节课带你从小白到大师 | 摄影前期拍摄入门 >,宝藏up主推荐: 熊熊Bearie 链接: https://www.bilibili.com ...
手把手教你用深度学习做物体检测(三)：模型训练
本篇文章旨在快速试验使用yolov3算法训练出自己的物体检测模型,所以会重过程而轻原理,当然,原理是非常重要的,只是原理会安排在后续文章中专门进行介绍.所以如果本文中有些地方你有原理方面的疑惑,也没关 ...
使用Keras和TensorFlow构建深度自动编码器
In this tutorial, we will explore how to build and train deep autoencoders using Keras and Tensorflo ...
手把手教你用深度学习做物体检测(四)：模型使用
上一篇<手把手教你用深度学习做物体检测(三):模型训练>中介绍了如何使用yolov3训练我们自己的物体检测模型,本篇文章将重点介绍如何使用我们训练好的模型来检测图片或视频中的物体. 如 ...
keras入门（三）搭建CNN模型破解网站验证码
项目介绍在文章CNN大战验证码中,我们利用TensorFlow搭建了简单的CNN模型来破解某个网站的验证码.验证码如下: 在本文中,我们将会用Keras来搭建一个稍微复杂的CNN模型来破解以上的 ...
TF之CNN：Tensorflow构建卷积神经网络CNN的简介、使用方法、应用之详细攻略
TF之CNN:Tensorflow构建卷积神经网络CNN的简介.使用方法.应用之详细攻略目录 TensorFlow 中的卷积有关函数入门 1.tf.nn.conv2d函数案例应用 1.TF之CNN ...

从零开始，手把手教你使用Keras和TensorFlow构建自己的CNN模型