Python深度学习笔记07--使用Keras建立卷积神经网络
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python深度学习笔记07--使用Keras建立卷积神经网络,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1844字,纯文字阅读大概需要3分钟。
内容图文
1 from keras.datasets import mnist 2 from keras.utils import to_categorical 3 4 #1. 获取数据 5 (train_images, train_labels), (test_images, test_labels) = mnist.load_data() 6 7 #2. 处理数据 8 train_images = train_images.reshape((60000, 28, 28, 1)) 9 train_images = train_images.astype('float32') / 255 10 11 test_images = test_images.reshape((10000, 28, 28, 1)) 12 test_images = test_images.astype('float32') / 255 13 14 train_labels = to_categorical(train_labels) 15 test_labels = to_categorical(test_labels) 16 17 from keras import layers 18 from keras import models 19 20 #3. 建立网络模型 21 model = models.Sequential() 22 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) 23 model.add(layers.MaxPooling2D((2, 2))) 24 model.add(layers.Conv2D(64, (3, 3), activation='relu')) 25 model.add(layers.MaxPooling2D((2, 2))) 26 model.add(layers.Conv2D(64, (3, 3), activation='relu')) 27 28 model.add(layers.Flatten()) 29 model.add(layers.Dense(64, activation='relu')) 30 model.add(layers.Dense(10, activation='softmax')) 31 32 # print(model.summary()) 33 34 ''' 35 #网络参数计算方式 36 1.conv2d有320个参数,计算方式:(3 * 3 * 1 + 1) * 32 37 2.conv2d_1有18496个参数,计算方式:(3 * 3 * 32 + 1) * 64 38 3.conv2d_2有36928个参数,计算方式:(3 * 3 * 64 + 1) * 64 39 4.dense有36928个参数,计算方式:(576 + 1) * 64 40 5.dense_1有650个参数,计算方式:(64 + 1) * 10 41 ''' 42 #4. 设置编译参数 43 model.compile(optimizer='rmsprop', 44 loss='categorical_crossentropy', 45 metrics=['accuracy']) 46 47 #5. 设置训练条件并训练 48 model.fit(train_images, train_labels, epochs=5, batch_size=64) 49 50 #6. 评估模型 51 test_loss, test_acc = model.evaluate(test_images, test_labels) 52 #313/313 [==============================] - 1s 3ms/step - loss: 0.0324 - accuracy: 0.9898 53 54 print(test_acc) 55 #0.989799976348877
内容总结
以上是互联网集市为您收集整理的Python深度学习笔记07--使用Keras建立卷积神经网络全部内容,希望文章能够帮你解决Python深度学习笔记07--使用Keras建立卷积神经网络所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。