基于Keras 的VGG16神经网络模型的Mnist数据集识别并使用GPU加速
这段话放在前面：之前一种用的Pytorch，用着还挺爽，感觉挺方便的，但是在最近文献的时候，很多实验都是基于Google 的Keras的，所以抽空学了下Keras，学了之后才发现Keras相比Pytorch而言，基于keras来写神经网络的话太方便，因为Keras高度的封装性，所以基于Keras来搭建神经网络很简单，在Keras下，可以用两种两种方法来搭建网络模型，分别是Sequential（）与Model（），对于网络结构简单，层次较少的模型使用sequential方法较好，只需不断地model.add即可，而后者更适用于网络模型复杂的情况，各有各的好处。
论GPU的重要性：在未使用GPU之前，一直用的CPU来训练，那速度，简直是龟速，一个VGG16花了10个小时，费时费力还闹心，然后今天将它加载在实验室的服务器上，只花了不到半个小时就好了。
下面给出代码：
#!/usr/bin/env python 3.6
#_*_coding:utf-8 _*_
#@Time :2019/11/9 15:19
#@Author :hujinzhou
#@FileName: My_frist_keras_moudel.py #@Software: PyCharm
from keras.datasets import mnist
from call_back import LossHistory
from keras.utils.np_utils import to_categorical
import numpy as np
import cv2
import pylab
from keras.optimizers import Adam,SGD
from matplotlib import pyplot as plt
from keras.utils.vis_utils import plot_model
from keras.layers import Dense, Activation, Flatten,Convolution2D,MaxPool2D,Dropout,BatchNormalization
from keras.models import Sequential, Model
from keras.layers.normalization import BatchNormalization
np.random.seed(10)
"""下载mnist数据集,x_train训练集的数据，y_train训练集的标签，测试集依次类推"""
(x_train,y_train),(x_test,y_test)=mnist.load_data()
print(x_train.shape)
print(len(x_train))
print(y_train[0])
"-----------------------------------------------------------------------------------------"
"""通过迭代的方法将训练集中的数据整形为32*32"""
x_train4D = [cv2.cvtColor(cv2.resize(i,(32,32)), cv2.COLOR_GRAY2BGR) for i in x_train]
x_train4D = np.concatenate([arr[np.newaxis] for arr in x_train4D]).astype('float32') x_test4D = [cv2.cvtColor(cv2.resize(i,(32,32)), cv2.COLOR_GRAY2BGR) for i in x_test]
x_test4D = np.concatenate([arr[np.newaxis] for arr in x_test4D]).astype('float32')
print(x_test4D.shape)
print(x_train4D.shape)
"------------------------------------------------------------------------------------"
plt.imshow(x_train4D[0],cmap='gray')
pylab.show()
#x_train4D = x_train4D.astype('float32')
#x_test4D = x_test4D.astype('float32')
"""归一化"""
x_test4D_normalize=x_test4D/255
x_train4D_normalize=x_train4D/255 """one_hot encoding"""
y_trainOnehot=to_categorical(y_train)
y_testOnehot=to_categorical(y_test) """建立模型"""
"--------------------------------------------------------------------------"
model=Sequential()
model.add(Convolution2D(filters=64,
kernel_size=(5,5),
padding='same',
input_shape=(32,32,3), kernel_initializer='he_normal',
name='cnn1' )
)#output32*32*64
model.add(BatchNormalization(axis=-1))
model.add(Activation('relu')) # model.add(Convolution2D(filters=64,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn2'
# )
# )#output32*32*64
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output16*16*64 model.add(Convolution2D(filters=128,
kernel_size=(5,5),
padding='same', kernel_initializer='he_normal',
name='cnn3'
)
)#output16*16*128
model.add(BatchNormalization(axis=-1))
model.add(Activation('relu'))
# model.add(Convolution2D(filters=128,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn4'
# )
# )#output16*16*128
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output8*8*128 model.add(Convolution2D(filters=256,
kernel_size=(5,5),
padding='same', kernel_initializer='he_normal',
name='cnn5'
)
)#output8*8*256
model.add(BatchNormalization(axis=-1))
model.add(Activation('relu'))
# model.add(Convolution2D(filters=256,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn6'
# )
# )#output8*8*256
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
# model.add(Convolution2D(filters=256,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn7'
# )
# )#output8*8*256
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output4*4*256
model.add(Convolution2D(filters=512,
kernel_size=(5,5),
padding='same', kernel_initializer='he_normal',
name='cnn8'
)
)#output4*4*512
model.add(BatchNormalization(axis=-1))
model.add(Activation('relu'))
# model.add(Convolution2D(filters=512,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn9'
# )
# )#output4*4*512
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
# model.add(Convolution2D(filters=512,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn10'
# )
# )#output4*4*512
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output2*2*512
model.add(Convolution2D(filters=512,
kernel_size=(5,5),
padding='same', kernel_initializer='he_normal',
name='cnn11'
)
)#output2*2*512
model.add(BatchNormalization(axis=-1))
model.add(Activation('relu'))
# model.add(Convolution2D(filters=512,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn12'
# )
# )#output2*2*512
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
# model.add(Convolution2D(filters=512,
# kernel_size=(5,5),
# padding='same',
#
# kernel_initializer='he_normal',
# name='cnn13'
# )
# )#output2*2*512
# model.add(BatchNormalization(axis=-1))
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output1*1*512
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(10))
model.add(Activation('softmax'))
model.summary()
plot_model(model,to_file='model4.png',show_shapes=True,show_layer_names=True)
# for layer in model.layers:
# layer.trainable=False
"--------------------------------------------------------------------------------"
"""训练模型"""
adam=SGD(lr=0.1)
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
epoch=5
batchsize=100
# from keras.models import load_model
# model = load_model('./My_keras_model_weight')
history=model.fit(x=x_train4D_normalize,
y=y_trainOnehot,
epochs=epoch,
batch_size=batchsize,
validation_data=(x_test4D_normalize,y_testOnehot)) """保存模型"""
model.save('./My_keras_model2_weight') #model.load('./My_keras_model_weight')
"""画出损失曲线"""
training_loss=history.history["loss"]
train_acc=history.history["acc"]
test_loss=history.history["val_loss"]
test_acc=history.history["val_acc"] epoch_count=range(1,len(training_loss)+1)
plt.plot(epoch_count,training_loss,'r--')
plt.plot(epoch_count,test_loss,'b--')
plt.plot(epoch_count,train_acc,'r--')
plt.plot(epoch_count,test_acc,'b--')
plt.legend(["Training_loss","Test_loss","train_acc","test_acc"])
plt.xlabel("Epoch")
plt.ylabel("loss")
plt.show()
结果如下
最终的精度可以达到0.993左右
loss: 0.0261 - acc: 0.9932 - val_loss: 0.0246 - val_acc: 0.9933
基于Keras 的VGG16神经网络模型的Mnist数据集识别并使用GPU加速的更多相关文章
- 使用PyTorch构建神经网络模型进行手写识别
使用PyTorch构建神经网络模型进行手写识别 PyTorch是一种基于Torch库的开源机器学习库,应用于计算机视觉和自然语言处理等应用,本章内容将从安装以及通过Torch构建基础的神经网络,计算梯 ...
- 一个简单的TensorFlow可视化MNIST数据集识别程序
下面是TensorFlow可视化MNIST数据集识别程序,可视化内容是,TensorFlow计算图,表(loss, 直方图, 标准差(stddev)) # -*- coding: utf-8 -*- ...
- 【Keras篇】---利用keras改写VGG16经典模型在手写数字识别体中的应用
一.前述 VGG16是由16层神经网络构成的经典模型,包括多层卷积,多层全连接层,一般我们改写的时候卷积层基本不动,全连接层从后面几层依次向前改写,因为先改参数较小的. 二.具体 1.因为本文中代码需 ...
- Keras学习:第一个例子-训练MNIST数据集
import numpy as npimport gzip import struct import keras as ks import logging from keras.layers impo ...
- 吴裕雄--天生自然 python数据分析：基于Keras使用CNN神经网络处理手写数据集
import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.image as mp ...
- CNN算法解决MNIST数据集识别问题
网络实现程序如下 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 用于设置将记 ...
- Keras学习环境配置-GPU加速版（Ubuntu 16.04 + CUDA8.0 + cuDNN6.0 + Tensorflow)
本文是个人对Keras深度学习框架配置的总结,不周之处请指出,谢谢! 1. 首先,我们需要安装Ubuntu操作系统(Windows下也行),这里使用Ubuntu16.04版本: 2. 安装好Ubunt ...
- 机器学习与Tensorflow（3）—— 机器学习及MNIST数据集分类优化
一.二次代价函数 1. 形式: 其中,C为代价函数,X表示样本,Y表示实际值,a表示输出值,n为样本总数 2. 利用梯度下降法调整权值参数大小,推导过程如下图所示: 根据结果可得,权重w和偏置b的梯度 ...
- Keras结合Keras后端搭建个性化神经网络模型（不用原生Tensorflow）
Keras是基于Tensorflow等底层张量处理库的高级API库.它帮我们实现了一系列经典的神经网络层(全连接层.卷积层.循环层等),以及简洁的迭代模型的接口,让我们能在模型层面写代码,从而不用仔细 ...
随机推荐
- 我为什么要立刻放弃 React 而使用 Vue？
作者有过多种框架,以亲身经历告诉我们vue的优势在哪里! 我为什么要立刻放弃 React 而使用 Vue? 18-07-2919:28 现在,Vue.js 在 Github 上得到的星星数已经超过 ...
- 第90题：子集II
一． 问题描述 给定一个可能包含重复元素的整数数组 nums,返回该数组所有可能的子集(幂集). 说明:解集不能包含重复的子集. 示例: 输入: [1,2,2] 输出: [ [2], [1], [1, ...
- Django REST framework+Vue 打造生鲜电商项目（笔记二）
(转自https://www.cnblogs.com/derek1184405959/p/8768059.html)(有修改) 接下来开始引入django resfulframework,体现它的强大 ...
- 怎奈风云多变换，骚完一波还一波，记PHP mongodb驱动的2019年11月用法
怎么,觉得pecl下一个扩展包,phpize make make install php.ini里引用一下 mongodb.so就万事大吉了? Deeply Sorry!看到MongoDB\Driv ...
- office+visio2016版本一同安装说明
安装所需软件: Office或者visio镜像 比如:cn_visio_professional_2016_x86_x64_dvd_6970929.iso 下载网址:http://pan.baidu. ...
- C# 操作文件夹、文件
Form namespace FileProperties { public partial class Form1 : Form { private string currentFolderPath ...
- javascript逻辑与（&&）
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8&quo ...
- P4136 谁能赢呢？ 脑子
思路:脑子(教练说是博弈论?) 提交:1次 题解: 结论:若\(n\)为奇数后手胜,若\(n\)为偶数先手胜. 大致证明: 我们发现,若我们把棋盘黑白染色并设左上角为黑色,那么显然有:若\(n\)为奇 ...
- 解决eslint与webstorm关于script标签的缩进问题
解决eslint与webstorm关于script标签的缩进问题 2018年12月29日 23:16:29 tozeroblog 阅读数 752 问题重现在vue-cli中,使用eslint时会对 ...
- 023_统计当前 Linux 系统中可以登录计算机的账户有多少个
#!/bin/bash #方法 1: grep "bash$" /etc/passwd | wc -l #方法 2: #-F END都要大写! awk -F: '/bash$/{x ...