Python中卷積神經(jīng)網(wǎng)絡(CNN)入門教程分分享

更新時間：2023年05月23日 10:11:44 作者：小小張說故事

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）是一類特別適用于處理圖像數(shù)據(jù)的深度學習模型，本文介紹了如何使用Keras創(chuàng)建一個簡單的CNN模型，并用它對手寫數(shù)字進行分類，需要的可以參考一下

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）是一類特別適用于處理圖像數(shù)據(jù)的深度學習模型。在Python中，我們可以使用流行的深度學習庫TensorFlow和Keras來創(chuàng)建和訓練一個CNN模型。在本文中，我們將介紹如何使用Keras創(chuàng)建一個簡單的CNN模型，并用它對手寫數(shù)字進行分類。

1. 準備數(shù)據(jù)集

我們將使用MNIST數(shù)據(jù)集，這是一個常用的手寫數(shù)字數(shù)據(jù)集。Keras庫提供了一個方便的函數(shù)來加載MNIST數(shù)據(jù)集。數(shù)據(jù)集包含60000個訓練樣本和10000個測試樣本，每個樣本是一個28x28的灰度圖像。

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

接下來，我們需要對數(shù)據(jù)進行預處理。我們將圖像數(shù)據(jù)歸一化到0-1之間，并將標簽數(shù)據(jù)進行one-hot編碼：

train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images.astype("float32") / 255

test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images.astype("float32") / 255

from tensorflow.keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

2. 創(chuàng)建CNN模型

我們將使用Keras創(chuàng)建一個簡單的CNN模型，包括卷積層、池化層、全連接層等。模型的結(jié)構(gòu)如下：

卷積層：使用32個3x3的卷積核，激活函數(shù)為ReLU；
池化層：使用2x2的最大池化；
卷積層：使用64個3x3的卷積核，激活函數(shù)為ReLU；
池化層：使用2x2的最大池化；
全連接層：包含128個神經(jīng)元，激活函數(shù)為ReLU；
輸出層：包含10個神經(jīng)元，激活函數(shù)為softmax。

from tensorflow.keras import layers
from tensorflow.keras import models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation="relu", input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation="relu"))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(128, activation="relu"))
model.add(layers.Dense(10, activation="softmax"))

3. 訓練CNN模型

我們將使用訓練數(shù)據(jù)集訓練CNN模型，并在測試數(shù)據(jù)集上評估模型性能。我們將使用交叉熵損失函數(shù)和Adam優(yōu)化器，訓練10個epoch。

model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

model.fit(train_images, train_labels, epochs=10, batch_size=64)

test_loss, test_acc = model.evaluate(test_images, test_labels)
print("Test accuracy: {:.2f}%".format(test_acc * 100))

4. 使用CNN模型進行預測

訓練好CNN模型后，我們可以用它對新的圖像數(shù)據(jù)進行預測。下面我們將隨機選擇一個測試圖像，并使用模型進行預測。

import numpy as np
import matplotlib.pyplot as plt

index = np.random.randint(0, len(test_images))
image = test_images[index]

plt.imshow(image.reshape(28, 28), cmap="gray")
plt.show()

predictions = model.predict(np.expand_dims(image, axis=0))
predicted_label = np.argmax(predictions)

print("Predicted label:", predicted_label)

上述代碼將展示一個隨機選擇的手寫數(shù)字圖像，并輸出模型預測的結(jié)果。

這就是如何在Python中使用Keras創(chuàng)建和訓練一個簡單的CNN模型進行手寫數(shù)字分類。在實際應用中，可以根據(jù)需求調(diào)整CNN模型的結(jié)構(gòu)和參數(shù)以優(yōu)化性能。

到此這篇關于Python中卷積神經(jīng)網(wǎng)絡(CNN)入門教程分分享的文章就介紹到這了,更多相關Python卷積神經(jīng)網(wǎng)絡內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: