版權(quán)聲明：小博主水平有限，希望大家多多指導(dǎo)。

---

目錄：

【使用傳統(tǒng)DNN】

BG大龍：【DL項(xiàng)目實(shí)戰(zhàn)02】圖像分類——Keras框架+使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)DNN?zhuanlan.zhihu.com

【使用卷積神經(jīng)網(wǎng)絡(luò)CNN】

BG大龍：【DL項(xiàng)目實(shí)戰(zhàn)02】圖像識(shí)別分類——Keras框架+卷積神經(jīng)網(wǎng)絡(luò)CNN（使用VGGNet）?zhuanlan.zhihu.com

1、數(shù)據(jù)集情況

2、任務(wù)目標(biāo)

3、流程中的注意點(diǎn)

（1）讀取數(shù)據(jù)

（2）建立CNN（選用VGGNet）

——【第1部分】Conv2D層中，確定data_format類型

——【第2部分】特征提取：（卷積+池化）

——【第3部分】分類識(shí)別：（全連接）

（3）設(shè)定超參

（4）定義損失函數(shù)

（5）訓(xùn)練模型

（6）結(jié)果

4、對(duì)比實(shí)驗(yàn)

（1）第1個(gè)對(duì)比：添加Batch Normalization（BN，批量標(biāo)準(zhǔn)化層）

（2）第2個(gè)對(duì)比：添加Truncated Normal（TN，截?cái)喾植?#xff09;

（3）第3個(gè)對(duì)比：添加Dropout

5、加載模型，進(jìn)行測(cè)試

---

1、數(shù)據(jù)集情況

---

2、任務(wù)目標(biāo)

當(dāng)輸入“image”時(shí)候，能否正確識(shí)別，識(shí)別的acc是多少

---

3、流程中的注意點(diǎn)

（1）讀取數(shù)據(jù)

DNN結(jié)構(gòu)：

CNN結(jié)構(gòu)：

正常CNN輸入是224 244 3，這里進(jìn)行縮小成64 64 3，為了提高計(jì)算速度

（2）建立CNN（選用VGGNet）

把網(wǎng)絡(luò)模型單獨(dú)寫成一個(gè)模塊，然后直接去調(diào)用simpleVGGNet

在simpleVGGNet模塊里面，三部分工作

【第1部分】Conv2D層中，確定data_format類型

（data_format='channels_last'）—input_shape = (128,128,3)代表128*128的RGB圖像

（data_format='channels_first'）—input_shape = (3,128,128)代表128*128的RGB圖像

keras使用tensorflow作為Backend時(shí)，格式是（data_format='channels_first'）

或者我們定義一個(gè)判斷語句：

【第2部分】特征提取：（卷積+池化）

（1）32—64—128：為了降低pooling壓縮帶來的損失影響，filter個(gè)數(shù)逐步翻倍
（2）padding：補(bǔ)0策略，為“valid”, “same”
“valid”代表只進(jìn)行有效的卷積，即對(duì)邊界數(shù)據(jù)不處理。
“same”代表保留邊界處的卷積結(jié)果，通常會(huì)導(dǎo)致輸出shape與輸入shape相同。
API文檔： 卷積層 - Keras中文文檔
（3）凡是計(jì)算層后面，都要加上激活函數(shù)

【第3部分】分類識(shí)別：（全連接）

FC層：

激活函數(shù)softmax：

（3）設(shè)定超參

（4）定義損失函數(shù)

這里，有一個(gè)學(xué)習(xí)率的衰減，decay=INIT_LR / EPOCHS
看下API文檔，

（5）訓(xùn)練模型

steps_per_epoch=len(trainX) // BS

它表示是將一個(gè)epoch分成多少個(gè)batch_size，
如果訓(xùn)練樣本數(shù)N=1000，steps_per_epoch = 10，那么相當(dāng)于一個(gè)batch_size=100

（6）結(jié)果

觀察val_loss，

---

4、對(duì)比實(shí)驗(yàn)

（1）第1個(gè)對(duì)比：添加Batch Normalization（BN，批量標(biāo)準(zhǔn)化層）

API文檔：（批）規(guī)范化BatchNormalization - Keras中文文檔

axis：整數(shù)，指定當(dāng)mode=0時(shí)規(guī)范化的軸。例如輸入是形如（samples，channels，rows，cols）的4D圖像張量，則應(yīng)設(shè)置規(guī)范化的軸為1，意味著對(duì)每個(gè)特征圖進(jìn)行規(guī)范化

NN結(jié)構(gòu)：
在每一個(gè)“relu”后，添加BN

例如：

結(jié)果：
但是Loss為什么這么大？

猜測(cè)是“隨機(jī)初始化”的原因，我又重新運(yùn)行了一次

BN添加前后對(duì)比：
更加穩(wěn)定，提高了val_acc，

（2）第2個(gè)對(duì)比：添加Truncated Normal（TN，截?cái)喾植?#xff09;

API文檔： 初始化方法 - Keras中文文檔

NN結(jié)構(gòu)：
在每個(gè)卷積層里面，添加kernel_initializer=TruncatedNormal()，stddev=0.01

例如：

結(jié)果：

TN添加前后對(duì)比：
有的參數(shù)添加后，不一定好

（3）第3個(gè)對(duì)比：添加Dropout

API文檔： 常用層 - Keras中文文檔

NN結(jié)構(gòu)：
有個(gè)疑問：在卷積層中，已經(jīng)是“權(quán)重參數(shù)共享”，連接的參數(shù)本來就不多，再進(jìn)行Dropout，豈不是更少？（所以一般在Dense層在dropout？）

結(jié)果：

Dropout添加前后對(duì)比：
更加平穩(wěn)，但是loss老是跑的比較高……

---

5、加載模型，進(jìn)行測(cè)試

用“image”文件夾，去做預(yù)測(cè)

CNN結(jié)果：

對(duì)比DNN結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）的全部?jī)?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(cuò)，歡迎將生活随笔推薦給好友。