当前位置：首页 > article >正文

Python + 深度学习从 0 到 1（02 / 99）

article 2025/1/2 22:45:19

希望对你有帮助呀！！💜💜 如有更好理解的思路，欢迎大家留言补充 ~ 一起加油叭 💦
欢迎关注、订阅专栏【深度学习从 0 到 1】谢谢你的支持！

⭐ Keras 快速入门：

神经网络的基本数据结构是层，你可以将层看作深度学习的乐高积木，Keras等框架则将这种比喻具体化

在 Keras 中，构建深度学习模型就是将相互兼容的多个层拼接在一起，以建立有用的数据变换流程

相同的代码可以在CPU或GPU上无缝切换运行
Keras 基于宽松的MIT许可证发布，这意味着可以在商业项目中免费使用它。它与所有版本的Python都兼容

常见层实现代码示例：

全连接层［fully connected layer] 💜 .Dense

from keras import layers 
layer = layers.Dense(32, input_shape=(784,))  # 有32个输出单元的密集层

卷积层［conv layer] 💜 .Conv2D
```
from keras import layers 
layer = layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))
```
- input_shape：卷积神经网络接收形状为(image_height, image_width, image_channels)的输入张量（不包括批量维度）
- padding: 不填充(默认) - “valid”，填充使得输入输出宽&高相等 - “same”

池化［pooling layer] 💜 .MaxPooling2D

from keras import layers 
layer = layers.MaxPooling2D((2, 2))

⭐ 实战：手写数字分类: Keras + MNIST 数据集

手写数字分类任务

任务：将手写数字的灰度图像（28像素×28像素）划分到10个类别中（0~9）

MNIST数据集包含60 000张训练图像和10 000张测试图像，由美国国家标准与技术研究院（National Institute of Standards and Technology，即 MNIST 中的NIST）在20世纪80年代收集得到

样本示例如下：(hint: 显示数据集的第一个数字的代码：plt.imshow(train_images[0], cmap=plt.cm.binary))

💜步骤一：加载Keras中的MNIST数据集

from keras.datasets import mnist 
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()  # 包括4个Numpy数组

# 准备数据 
train_images = train_images.reshape((60000, 28 * 28)) 
train_images = train_images.astype('float32') / 255 
test_images  = test_images.reshape((10000, 28 * 28)) 
test_images  = test_images.astype('float32') / 255

# 准备标签
from keras.utils import to_categorical 
train_labels = to_categorical(train_labels) 
test_labels  = to_categorical(test_labels)

💜步骤二：构建网络架构 (两层全连接层为例)

from keras import models 
from keras import layers 

## 写法一：利用 Sequential 类定义 model
network = models.Sequential() 
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) 
network.add(layers.Dense(10, activation='softmax'))  # 没指定 input_shape, 则自动匹配上一层

## 写法二：利用函数式 API 定义 model
input_tensor = layers.Input(shape=(28 * 28,)) 
x = layers.Dense(32, activation='relu')(input_tensor) 
output_tensor = layers.Dense(10, activation='softmax')(x) 
network = models.Model(inputs=input_tensor, outputs=output_tensor)

# model.summary()  # 用来打印查看网络架构 (layer + output shape + param #)

此处我们应用了最常见的(全连接)层的线性堆叠，后续博客会进一步展开其他层的网络拓扑结构如：双分支（two-branch）网络，多头（multihead）网络和 Inception 模块

💜步骤三：编译步骤 (optimizer + loss + metrics)

network.compile(optimizer='rmsprop', 
                loss='categorical_crossentropy', 
                metrics=['accuracy'])

💜步骤四：训练网络

network.fit(train_images, train_labels, 
			epochs=5, batch_size=128,
			validation_data=(test_images, test_labels))

💜步骤五：测试网络

 test_loss, test_acc = network.evaluate(test_images, test_labels)

完整代码参考：

from keras.datasets import mnist 
from keras import models 
from keras import layers 


(train_images, train_labels), (test_images, test_labels) = mnist.load_data()  # 包括4个Numpy数组

# 准备数据 
train_images = train_images.reshape((60000, 28 * 28)) 
train_images = train_images.astype('float32') / 255 
test_images  = test_images.reshape((10000, 28 * 28)) 
test_images  = test_images.astype('float32') / 255

# 准备标签
from keras.utils import to_categorical  # one-hot 编码
train_labels = to_categorical(train_labels) 
test_labels  = to_categorical(test_labels)

# 构建网络架构
network = models.Sequential() 
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) 
network.add(layers.Dense(10, activation='softmax'))

# 编译步骤 
# 无论你的问题是什么，rmsprop 优化器通常都是足够好的选择。这一点你无须担心
network.compile(optimizer='rmsprop', 
                loss='categorical_crossentropy', 
                metrics=['accuracy'])  ## 对于回归问题： metrics=['mae']

# 训练网络
network.fit(train_images, train_labels, epochs=5, batch_size=128)
# history = model.fit(...)
# history_dict = history.history
# history_dict.keys()  ## dict_keys(['val_acc', 'acc', 'val_loss', 'loss']), 可用于可视化训练过程

## 预测结果 (代码参考)
#label_predict = network.predict(test_images[0])

# 测试网络
test_loss, test_acc = network.evaluate(test_images, test_labels) 

print("Loss: {}, Acc: {}".format(test_loss, test_acc))

----- 结束后会得到类似如下结果：

Epoch 1/5
469/469 [==============================] - 2s 5ms/step - loss: 0.2598 - accuracy: 0.9253
Epoch 2/5
469/469 [==============================] - 2s 5ms/step - loss: 0.1041 - accuracy: 0.9692
Epoch 3/5
469/469 [==============================] - 2s 5ms/step - loss: 0.0684 - accuracy: 0.9795
Epoch 4/5
469/469 [==============================] - 2s 5ms/step - loss: 0.0492 - accuracy: 0.9848
Epoch 5/5
469/469 [==============================] - 2s 5ms/step - loss: 0.0367 - accuracy: 0.9892
313/313 [==============================] - 0s 702us/step - loss: 0.0665 - accuracy: 0.9803
Loss: 0.06652633100748062, Acc: 0.9803000092506409