目錄

基礎(chǔ)理論?

卷積?

卷積核與過濾器的區(qū)別

一、獲取數(shù)據(jù)集

二、設(shè)定數(shù)據(jù)集大小、歸一化

三、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

四、編譯&&訓(xùn)練

五、模型評估?

六、可視化

1、創(chuàng)建plt圖?

2、獲取各卷積層

3、觀察卷積層

總代碼

卷積神經(jīng)網(wǎng)絡(luò)?

可視化

---

基礎(chǔ)理論?

????????在實際應(yīng)用中，攝像頭捕捉到的圖片，主物品往往會偏于一側(cè)的位置，甚至有角度的旋轉(zhuǎn)，這時神經(jīng)網(wǎng)絡(luò)模型對這些圖片的分類就會不準(zhǔn)。這時我們引入：卷積神經(jīng)網(wǎng)絡(luò)（CNN）。

????????通過卷積操作縮小了圖像的內(nèi)容，將模型注意力集中在圖像特定的、明顯的特征上。

????????這種計算對于計算機視覺來說是非常理想的，因為通常情況下，能夠像這樣被突出顯示的特征才是區(qū)分一個物品和另一個物品的關(guān)鍵。

卷積?

不同的過濾器有不同的效果：

?豎直過濾器（留下豎直線）：

?水平過濾器（留下水平線）：

卷積核與過濾器的區(qū)別

卷積核是二維的，濾波器是三維的（高維，也可能是四維的）

• 卷積核就是由長和寬來指定的，是一個二維的概念。
• 而過濾器是是由長、寬和深度指定的，是一個三維的概念。
• 過濾器可以看做是卷積核的集合。
• 過濾器比卷積核高一個維度——深度。

一、獲取數(shù)據(jù)集

# 1、獲取數(shù)據(jù)集
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

二、設(shè)定數(shù)據(jù)集大小、歸一化

卷積期望一個包含所有數(shù)據(jù)的單一張量，所以要把訓(xùn)練數(shù)據(jù)設(shè)置為60000x28x28x1的一個4D列表。（如果不這樣做，會在訓(xùn)練時得到一個錯誤，因為卷積操作將不能識別數(shù)據(jù)形狀。）?

# 2、設(shè)定數(shù)據(jù)集大小、歸一化
training_images=training_images.reshape(60000, 28, 28, 1)
training_images=training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images=test_images/255.0

三、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

# 3、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(28, 28, 1)),
# Conv2D：卷積層  64：卷積過濾器數(shù)量  (3,3)：卷積核大小tf.keras.layers.MaxPooling2D(2, 2),
#                 池化層tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])

四、編譯&&訓(xùn)練

# 4、編譯&&訓(xùn)練
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(training_images, training_labels, epochs=5)
# 輸出模型各層的影響
model.summary()

五、模型評估?

# 5、模型評估
test_loss = model.evaluate(test_images, test_labels)

?可以發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)比起前面的DNN神經(jīng)網(wǎng)絡(luò)效果好了不少，但是相應(yīng)的，時間會比較慢。

六、可視化

1、創(chuàng)建plt圖?

import matplotlib.pyplot as plt# plt圖
f, a = plt.subplots(3, 4)
# f：子圖像    a：array列表    3：行    4：列

2、獲取各卷積層

# 各卷積層
from tensorflow.keras import models
layer_outputs = [layer.output for layer in model.layers]
print(layer_outputs)
activation_model = tf.keras.models.Model(inputs = model.input, outputs = layer_outputs)
#                                                 輸入層                  輸出層

3、觀察卷積層

# 抽3個圖片（FIRST、SECOND、THIRD），觀察神經(jīng)網(wǎng)絡(luò)的前四層(正好對應(yīng)四個卷積層)（神經(jīng)網(wǎng)絡(luò)共7層）
# test_images[...]:第幾張圖片    x:第幾層
# 第一張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f1 = activation_model.predict(test_images[FIRST_IMAGE].reshape(1, 28, 28, 1))[x]a[0,x].imshow(f1[0, : , :, 1])    #1:下標(biāo)為1的卷積核（第2個卷積核）
# 第二張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f2 = activation_model.predict(test_images[SECOND_IMAGE].reshape(1, 28, 28, 1))[x] a[1,x].imshow(f2[0, : , :, 1])
# 第三張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f3 = activation_model.predict(test_images[THIRD_IMAGE].reshape(1, 28, 28, 1))[x]a[2,x].imshow(f3[0, : , :, 1])

總代碼

卷積神經(jīng)網(wǎng)絡(luò)?

import tensorflow as tf
print(tf.__version__)# 1、獲取數(shù)據(jù)集
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
# 特征訓(xùn)練集       目標(biāo)訓(xùn)練集          特征測試集     目標(biāo)測試集# 2、設(shè)定數(shù)據(jù)集大小、歸一化
training_images=training_images.reshape(60000, 28, 28, 1)
training_images=training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images=test_images/255.0# 3、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(28, 28, 1)),
# Conv2D：卷積層  64：卷積過濾器數(shù)量  (3,3)：卷積核大小tf.keras.layers.MaxPooling2D(2, 2),
#                 池化層tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])# 4、編譯&&運行
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(training_images, training_labels, epochs=5)
# 輸出模型各層的影響
model.summary()# 5、模型評估
test_loss = model.evaluate(test_images, test_labels)

可視化

# 卷積、池化過程可視化
import matplotlib.pyplot as plt# plt圖
f, a = plt.subplots(3, 4)
# f：子圖像    a：array列表    3：行    4：列# 隨機選取可視化的圖片
FIRST_IMAGE=0
SECOND_IMAGE=7
THIRD_IMAGE=26# 各卷積層
from tensorflow.keras import models
layer_outputs = [layer.output for layer in model.layers]
print(layer_outputs)
activation_model = tf.keras.models.Model(inputs = model.input, outputs = layer_outputs)
#                                                 輸入層                  輸出層# 按行可視化
for x in range(0,4):
# 觀察卷積層（7個層輸出，這里只取了四個卷積層）f = activation_model.predict(test_images[0].reshape(1, 28, 28, 1))print(len(f))# 抽3個圖片（FIRST、SECOND、THIRD），觀察神經(jīng)網(wǎng)絡(luò)的前四層(正好對應(yīng)四個卷積層)（神經(jīng)網(wǎng)絡(luò)共7層）
# test_images[...]:第幾張圖片    x:第幾層
# 第一張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f1 = activation_model.predict(test_images[FIRST_IMAGE].reshape(1, 28, 28, 1))[x]a[0,x].imshow(f1[0, : , :, 1])    #1:下標(biāo)為1的卷積核（第2個卷積核）
# 第二張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f2 = activation_model.predict(test_images[SECOND_IMAGE].reshape(1, 28, 28, 1))[x] a[1,x].imshow(f2[0, : , :, 1])
# 第三張圖片卷積神經(jīng)網(wǎng)絡(luò)處理情況f3 = activation_model.predict(test_images[THIRD_IMAGE].reshape(1, 28, 28, 1))[x]a[2,x].imshow(f3[0, : , :, 1])

總結(jié)

以上是生活随笔為你收集整理的TensorFlow（7）卷积神经网络实战（1）（可视化）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。