Intro

這是深度學習第7課。

到目前為止，您構建的模型依賴于預先訓練的模型。 但它們不是許多用例的理想解決方案。 在本課程中，您將學習如何構建全新的模型。

Lesson

[1]

from IPython.display import YouTubeVideo YouTubeVideo('YbNE3zhtsoo', width=800, height=450)

Sample Code

[2]

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from tensorflow.python import keras from tensorflow.python.keras.models import Sequential from tensorflow.python.keras.layers import Dense, Flatten, Conv2D, Dropoutimg_rows, img_cols = 28, 28 num_classes = 10def data_prep(raw):out_y = keras.utils.to_categorical(raw.label, num_classes)num_images = raw.shape[0]x_as_array = raw.values[:,1:]x_shaped_array = x_as_array.reshape(num_images, img_rows, img_cols, 1)out_x = x_shaped_array / 255return out_x, out_ytrain_file = "../input/digit-recognizer/train.csv" raw_data = pd.read_csv(train_file)x, y = data_prep(raw_data)model = Sequential() model.add(Conv2D(20, kernel_size=(3, 3),activation='relu',input_shape=(img_rows, img_cols, 1))) model.add(Conv2D(20, kernel_size=(3, 3), activation='relu')) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dense(num_classes, activation='softmax'))model.compile(loss=keras.losses.categorical_crossentropy,optimizer='adam',metrics=['accuracy']) model.fit(x, y,batch_size=128,epochs=2,validation_split = 0.2) /opt/conda/lib/python3.6/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.from ._conv import register_converters as _register_convertersTrain on 33600 samples, validate on 8400 samples Epoch 1/2 33600/33600 [==============================] - 56s 2ms/step - loss: 0.2454 - acc: 0.9292 - val_loss: 0.0823 - val_acc: 0.9749 Epoch 2/2 33600/33600 [==============================] - 58s 2ms/step - loss: 0.0650 - acc: 0.9810 - val_loss: 0.0590 - val_acc: 0.9820<tensorflow.python.keras._impl.keras.callbacks.History at 0x7fa843394978>

?

Exercise: Modeling from Scratch

Introduction

您已經了解了如何從頭開始構建模型以識別手寫數字。 您現在將構建一個模型來識別不同類型的服裝。 為了制作快速訓練的模型，我們將使用非常小（低分辨率）的圖像。

例如，您的模型將采用這樣的圖像并將其識別為鞋子：

Data Preparation

代碼如下，您不需要去修改他，運行一下代碼。

【3】

import numpy as np from sklearn.model_selection import train_test_split from tensorflow.python import kerasimg_rows, img_cols = 28, 28 num_classes = 10def prep_data(raw, train_size, val_size):y = raw[:, 0]out_y = keras.utils.to_categorical(y, num_classes)x = raw[:,1:]num_images = raw.shape[0]out_x = x.reshape(num_images, img_rows, img_cols, 1)out_x = out_x / 255return out_x, out_yfashion_file = "../input/fashionmnist/fashion-mnist_train.csv" fashion_data = np.loadtxt(fashion_file, skiprows=1, delimiter=',') x, y = prep_data(fashion_data, train_size=50000, val_size=5000)

Specify Model

STEPS:

創建順序模型。 稱之為fashion_model。

?將3個Conv2D圖層添加到fashion_model。 使每個層有12個過濾器，kernel_size為3和relu激活。 您需要為第一個Conv2D圖層指定input_shape。 在這種情況下，輸入形狀是（img_rows，img_cols，1）。

在最后一個Conv2D圖層之后將fashionten圖層添加到fashion_model。

?在Flatten圖層之后，將具有100個神經元的Dense圖層添加到fashion_model。

將預測圖層添加到fashion_model。 這是一個密集層。 我們已經有一個名為num_classes的變量。 指定此層中的節點數時，請使用此變量。 激活應該是softmax（或者你以后會遇到問題）。

【4】

from tensorflow.python import keras from tensorflow.python.keras.models import Sequential from tensorflow.python.keras.layers import Dense, Flatten, Conv2D# Your Code Here

Compile Model

運行命令fashion_model.compile。指定以下參數：

loss = keras.losses.categorical_crossentropy

optimizer = 'adam'

metrics = ['accuracy']

【5】

# Your code to compile the model in this cell

Fit Model

運行命令fashion_model.fit。你將會用到的參數有：

The first two are arguments are the data used to fit the model, which are x and y respectively.

batch_size = 100

epochs = 4

validation_split = 0.2

當你運行此命令時，你會看到你的模型正在改善，您將看到驗證的準確性。

[6]

# Your code to fit the model here

Keep Going

繼續了解這里的strides和dropout.。

總結

以上是生活随笔為你收集整理的7. Deep Learning From Scratch的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。