CIFAR簡介：
??CIFAR是由Hinton的學(xué)生Alex Krizhevsky和Ilya Sutskever整理的一個用于識別普適物體的小型數(shù)據(jù)集。一共包含 10 個類別的 RGB 彩色圖 片：飛機（airplane）、汽車（automobile）、鳥類（bird）、貓（cat）、鹿（deer）、狗（dog）、蛙類（frog）、馬（horse）、船（ship）和卡車（truck）。圖片的尺寸為 32×32 ，數(shù)據(jù)集中一共有 50000 張訓(xùn)練圖片和 10000 張測試圖片。既然用到了這個數(shù)據(jù)集，那么在編寫的時候肯定要弄清楚里面到底是什么樣子的，因此在實現(xiàn)CNN處理之前，先來可視化一下數(shù)據(jù)集吧！
??先從keras數(shù)據(jù)庫中下載數(shù)據(jù)集，用到的是下面的代碼，下載出來的文件是《cifar-10-batches-py.tar.gz》，正常應(yīng)該會下載到C:UsersAdministrator.kerasdatasets這里面，可以把下載的那個文件解壓一下，就變成了cifar-10-batches-py。

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

??而cifar-10-batches-py里面就是數(shù)據(jù)集了，打開文件夾是一些數(shù)據(jù)集了，訓(xùn)練集有5個，分別是data_batch_1、2、3、4、5，5個，每個里面有10000個數(shù)據(jù)，一共50000個，然后test_batch就是測試集了。如下圖：

??輸出圖片的時候選擇了data_batch_5，選哪個都一樣，能看到結(jié)果就行

def plt_fifar():
    with open('data/cifar-10-batches-py/data_batch_5', 'rb')as f:
        datadict = p.load(f, encoding='latin1') #獲取一個data_batch
        # print(datadict)
        batch_label_ = datadict['batch_label']
        #print(batch_label) #字典第一個key（batch_label），value為“training batch 5 of 5”
        labels_ = datadict['labels']  #字典第二個key（labels），value為[0,1,2,3，...]，里面有10000個數(shù)據(jù)
        data_ = datadict['data'] #字典第三個key(data)，value為列表，形狀為10000*3072，3*32*32=3072
        # print(len(data_))
        filenames_ = datadict['filenames'] #字典最后一個key，value為每個圖片的名字，也就是圖片里面的內(nèi)容，car,...
        # print(len(filenames_))
        #處理的時候需要把data中的形狀轉(zhuǎn)成3*32*32
        imgX = data_.reshape(-1, 3, 32, 32)
        imgY = np.array(labels_)
        # print(imgY)
        # print(len(imgY))

    for i in range(100):  # 值輸出10張圖片，用來做演示
        imgs = imgX[i]  #一張圖片3*32*32
        #print(len(imgs))
        img0 = imgs[0] #三層通道的每一層
       # print(imgs0.shape) #32*32
        img1 = imgs[1] #32*32
        img2 = imgs[2] #32*32
        #fromarray實現(xiàn)array到image的轉(zhuǎn)換，np.asarray將image 轉(zhuǎn)為 array
        i0 = Image.fromarray(img0)  # 數(shù)據(jù)生成image對象
        i1 = Image.fromarray(img1)
        i2 = Image.fromarray(img2)
        img = Image.merge("RGB", (i0, i1, i2))
        plt.imshow(img)
        plt.show()

        #保存
        # name = "img" + str(i) + ".png"
        # img.save("cifar10_images/" + name, "png")  # 文件夾下是RGB融合后的圖像

    # print("保存完畢.")

??放一些輸出的結(jié)果圖片，只截取了一部分，要是想看其他的可以自己更改參數(shù)：

??接下來就是搭建CNN實現(xiàn)分類了，開始肯定是要預(yù)處理數(shù)據(jù)集的，見下面的代碼：

#x_train shape (50000， 32*32*3)，x_test shape (10000, 32*32*3)
#y_train shape (50000,), y_test shape (10000, ) [0-9]
(x_train, y_train), (x_test, y_test) = cifar10.load_data() #如果有導(dǎo)入數(shù)據(jù)，沒有就下載數(shù)據(jù)

x_train = x_train.astype('float32') / 255  #(50000, 32, 32, 3)
x_test = x_test.astype('float32') / 255  #(10000, 32, 32, 3)

y_train = np_utils.to_categorical(y_train, 10)  #(10000, 1)
y_test = np_utils.to_categorical(y_test, 10)  #(10000, 1)

??搭建以及編譯模型：

model = Sequential([ #第一層要寫輸入尺寸，最后一層要寫輸出尺寸
    #輸入（1，32,32,3）輸出（32， 32， 32， 3）
    Convolution2D(filters=32,
                  kernel_size=(3, 3),
                  padding='same',
                  input_shape=(32, 32, 3),),
    Activation('relu'),
    #輸入（32，32,32,3）輸出（64， 32， 32， 3）
    Convolution2D(filters=32,
                  kernel_size=(3, 3),
                  padding='same',),
    Activation('relu'),
    #input (64,32,32,3) #output(64,16,16,3)
    MaxPooling2D(pool_size=(2, 2)),
    Dropout(0.25),
    #input(32,16,16,3) output(64,16,16,3)
    Convolution2D(filters=64,
                  kernel_size = (3, 3),
                  padding = 'same'),
    Activation('relu'),
#input(32,16,16,3) output(64,16,16,3)
    Convolution2D(filters=64,
                  kernel_size = (3, 3),
                  padding = 'same'),
    Activation('relu'),
    #input(64,16,16,3),output(128,8,8,3)
    MaxPooling2D(pool_size = (2,2)),
    Dropout(0.25),

    Flatten(), #將數(shù)據(jù)展平 64*64*3 = 8452
    Dense(512),
    Activation('relu'),

    Dense(10),
    Activation('softmax'),
])

print(model.summary()) #輸出模型結(jié)構(gòu)
#優(yōu)化器
opti =keras.optimizers.rmsprop(lr=0.001, decay=1e-6)
model.compile(loss='categorical_crossentropy', optimizer=opti, metrics=['accuracy'])

??訓(xùn)練以及測試，因為數(shù)據(jù)集比較大，因此訓(xùn)練輪數(shù)要比較多，這里設(shè)置成32了，有的是64，但是我看著后來結(jié)果差距不是很大，就減少了一半：

#訓(xùn)練
print("----------------train------")
hist = model.fit(x_train, y_train, batch_size=100, epochs=32, shuffle=True, validation_data=(x_test, y_test))

# plot_model(hist, to_file='model_CIFAR10_CNN.png', show_shapes=True) #這一步其實是將模型輸出成一張包含有向圖的圖片，但是我這里沒成功，就給注釋了，改用model.summary方法（上面有）
#測試
print("----------------test------")
loss, accuracy = model.evaluate(x_test, y_test)
print(loss, accuracy)

??然后繪制一下訓(xùn)練過程中訓(xùn)練集和測試集的準確率曲線以及損失值曲線：

# 繪制訓(xùn)練過程中訓(xùn)練集和測試集合的準確率值
plt.plot(hist.history['accuracy'])
plt.plot(hist.history['val_accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy') #設(shè)置y坐標名稱
plt.xlabel('Epoch') #設(shè)置x坐標名稱
plt.legend(['Train', 'Test'], loc = 'upper left') #這個是設(shè)置用于區(qū)別的小線段，位置是左上角
plt.show()

# 繪制訓(xùn)練過程中訓(xùn)練集和測試集合的損失值
plt.plot(hist.history['loss'])
plt.plot(hist.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()

??下面這一張圖是訓(xùn)練過程準確率的曲線圖，由于損失值的曲線圖片沒保存，就沒上傳了。

總結(jié)

以上是生活随笔為你收集整理的keras学习 CNN处理CIFAR10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。