Keras如何构造简单的CNN网络

1. 导入各种模块

基本形式为：

import 模块名

from 某个文件 import 某个模块

2. 导入数据（以两类分类问题为例，即numClass = 2）

训练集数据data

可以看到，data是一个四维的ndarray

训练集的标签

3. 将导入的数据转化我keras可以接受的数据格式

keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转化，利用keras提高的to_categorical函数

label = np_utils.to_categorical(label, numClass

此时的label变为了如下形式

（注：PyCharm无法显示那么多的数据，所以下面才只显示了1000个数据，实际上该例子所示的数据集有1223个数据）

　　

4. 建立CNN模型

以下图所示的CNN网络为例

#生成一个model
model = Sequential()

#layer1-conv1
model.add(Convolution2D(16, 3, 3, border_mode='valid',input_shape=data.shape[-3:]))
model.add(Activation('tanh'))#tanh

# layer2-conv2
model.add(Convolution2D(32, 3, 3, border_mode='valid'))
model.add(Activation('tanh'))#tanh

# layer3-conv3
model.add(Convolution2D(32, 3, 3, border_mode='valid'))
model.add(Activation('tanh'))#tanh

# layer4
model.add(Flatten())
model.add(Dense(128, init='normal'))
model.add(Activation('tanh'))#tanh

# layer5-fully connect
model.add(Dense(numClass, init='normal'))
model.add(Activation('softmax'))

#  
sgd = SGD(l2=0.1,lr=0.001, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")

5. 开始训练model

利用model.train_on_batch或者model.fit