深度学习|Keras识别CIFAR-10图像（CNN）
深度学习|Keras识别CIFAR-10图像（CNN）
罗罗攀
发布于 2019-01-28 10:27:25
发布于 2019-01-28 10:27:25
数据和方法
CIFAR-10数据集有6000个32×32个彩色图片，50000个训练图片和10000个测试图片。有10个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。
数据下载和处理
数据下载
Keras已经提供了模块用于下载数据，通过一下代码即可完成下载。
from keras.datasets import cifar10
import numpy as np
np.random.seed(10)
(x_img_train,y_label_train),(x_img_test,y_label_test)=cifar10.load_data()数据处理
- 标准化
- label的one-hot编码
x_img_train_normalize = x_img_train.astype('float32') / 255.0
x_img_test_normalize = x_img_test.astype('float32') / 255.0
from keras.utils import np_utils
y_label_train_OneHot = np_utils.to_categorical(y_label_train)
y_label_test_OneHot = np_utils.to_categorical(y_label_test)CNN建模
模型结构
建立模型
from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,Dense,Dropout,Flatten
model = Sequential()
model.add(Conv2D(filters=32,kernel_size=(3,3),
input_shape=(32, 32,3),
activation='relu',
padding='same'))
model.add(Dropout(0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=64, kernel_size=(3, 3),
activation='relu', padding='same'))
model.add(Dropout(0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dropout(rate=0.25))
model.add(Dense(1024, activation='relu'))
model.add(Dropout(rate=0.25))
model.add(Dense(10, activation='softmax'))
训练模型
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
train_history = model.fit(x_img_train_normalize, y_label_train_OneHot,
validation_split=0.2,
epochs=10, batch_size=128, verbose=1) 
模型预测
精度不是特别高，可以多做几层卷积和池化。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019.01.17 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录