cha2-4-基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別

基于CNN的

圖像識(shí)別案例描述01任務(wù)案例分析02任務(wù)案例實(shí)施03任務(wù)學(xué)習(xí)目標(biāo)學(xué)習(xí)搭建卷積神經(jīng)網(wǎng)絡(luò)使用網(wǎng)絡(luò)完成圖像分類(lèi)1案例描述1案例描述學(xué)習(xí)如何搭建CNN卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練cifar-10數(shù)據(jù)，識(shí)別圖片中的內(nèi)容。2案例分析2案例分析數(shù)據(jù)集介紹：cifar-10是由Hinton的學(xué)生AlexKrizhevsky和IlyaSutskever整理的一個(gè)用于識(shí)別普適物體的小型數(shù)據(jù)集。一共包含10個(gè)類(lèi)別的RGB彩色圖片：飛機(jī)（airplane）、汽車(chē)（automobile）、鳥(niǎo)類(lèi)（bird）、貓（cat）、鹿（deer）、狗（dog）、蛙類(lèi)（frog）、馬（horse）、船（ship）和卡車(chē)（truck）。圖片由32×32彩色圖像組成，每個(gè)類(lèi)有6000個(gè)圖像。cifar-10數(shù)據(jù)集中共有50000個(gè)訓(xùn)練圖像和10000個(gè)測(cè)試圖像。3案例實(shí)施3案例實(shí)施1.加載數(shù)據(jù)fromtensorflow.kerasimportdatasets,layers,models(train_images,train_labels),(test_images,test_labels)=datasets.cifar10.load_data()2.搭建卷積神經(jīng)網(wǎng)絡(luò)Keras是一個(gè)由Python編寫(xiě)的開(kāi)源人工神經(jīng)網(wǎng)絡(luò)庫(kù)，可以作為T(mén)ensorflow、Microsoft-CNTK和Theano的高階應(yīng)用程序接口，進(jìn)行深度學(xué)習(xí)模型的設(shè)計(jì)、調(diào)試、評(píng)估、應(yīng)用和可視化。Keras同樣提供了序列化方法，可以方便的幫助搭建神經(jīng)網(wǎng)絡(luò)。model=models.Sequential()model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Flatten())model.add(layers.Dense(64,activation='relu'))3案例實(shí)施pile(optimizer='adam’,

loss='sparse_categorical_crossentropy’,

metrics=['accuracy’])4.可視化訓(xùn)練過(guò)程為了方便查看訓(xùn)練過(guò)程中準(zhǔn)確率的變化，可以借助matplotlib來(lái)可視化訓(xùn)練過(guò)程。3案例實(shí)施3.編譯并訓(xùn)練此次訓(xùn)練過(guò)程中使用了adam優(yōu)化函數(shù)——一個(gè)比較智能的優(yōu)化函數(shù)方法，自適應(yīng)時(shí)刻估計(jì)方法（AdaptiveMomentEstimation）。它在模型訓(xùn)練優(yōu)化的過(guò)程中通過(guò)讓每個(gè)參數(shù)獲得自適應(yīng)的學(xué)習(xí)率，來(lái)獲得優(yōu)化質(zhì)量和速度的雙重提升。主要包含以下幾個(gè)顯著的優(yōu)點(diǎn)：1.實(shí)現(xiàn)簡(jiǎn)單，計(jì)算高效，對(duì)內(nèi)存需求少；2.參數(shù)的更新不受梯度的伸縮變換影響；3.超參數(shù)具有很好的解釋性，且通常無(wú)需調(diào)整或僅需很少的微調(diào)；4.更新的步長(zhǎng)能夠被限制在大致的范圍內(nèi)（初始學(xué)習(xí)率）；5.能自然地實(shí)現(xiàn)步長(zhǎng)退火過(guò)程（自動(dòng)調(diào)整學(xué)習(xí)率）；