R语言深度学习卷积神经网络（CNN）对 CIFAR 图像进行分类：训练与结果评估可视化

相关视频

设置

library(keras)下载并准备 CIFAR10 数据集

CIFAR10 数据集包含 10 个类别的 60,000 张彩色图像，每个类别有 6,000 张图像。数据集分为 50,000 张训练图像和 10,000 张测试图像。这些类是互斥的，它们之间没有重叠。

验证数据

为了验证数据集看起来是否正确，让我们绘制训练集中的前 25 张图像并在每张图像下方显示类别名称。

train %>%

map(as.rater, max = 255) %>%

创建卷积基

下面的6行代码使用一种常见的模式定义了卷积基础：Conv2D和MaxPooling2D层的堆叠。

作为输入，CNN接受形状的张量（image\_height, image\_width, color\_channels），忽略了批次大小。如果你是第一次接触这些维度，color\_channels指的是（R,G,B）。在这个例子中，你将配置我们的CNN来处理形状为（32，32，3）的输入，这是CIFAR图像的格式。你可以通过将参数input_shape传递给我们的第一层来做到这一点。

kers\_moe\_etl %>%

laer\_c\_2d(fles = 32, ene_sz = c(3,3), acan = "relu",

lye\_apoi\_2d(posize = c(2,2)) %>%

lae\_cv\_2d(filrs = 64, relze = c(3,3), ctitio = "reu")

到目前为止，让我们展示一下我们模型的架构。

summary(model)