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：

  1.  #!/usr/bin/env python 3.6
  2.  #_*_coding:utf-8 _*_
  3.  #@Time    :2019/11/9 15:19
  4.  #@Author  :hujinzhou 
  5.  #@FileName: My_frist_keras_moudel.py
  6.  
  7.  #@Software: PyCharm
  8.  from keras.datasets import mnist
  9.  from call_back import LossHistory
  10.  from keras.utils.np_utils import to_categorical
  11.  import numpy as np
  12.  import cv2
  13.  import pylab
  14.  from keras.optimizers import Adam,SGD
  15.  from matplotlib import pyplot as plt
  16.  from keras.utils.vis_utils import plot_model
  17.  from keras.layers import Dense, Activation, Flatten,Convolution2D,MaxPool2D,Dropout,BatchNormalization
  18.  from keras.models import Sequential, Model
  19.  from keras.layers.normalization import BatchNormalization
  20.  np.random.seed(10)
  21.  """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"""
  22.  (x_train,y_train),(x_test,y_test)=mnist.load_data()
  23.  print(x_train.shape)
  24.  print(len(x_train))
  25.  print(y_train[0])
  26.  "-----------------------------------------------------------------------------------------"
  27.  """通过迭代的方法将训练集中的数据整形为32*32"""
  28.  x_train4D = [cv2.cvtColor(cv2.resize(i,(32,32)), cv2.COLOR_GRAY2BGR) for i in x_train]
  29.  x_train4D = np.concatenate([arr[np.newaxis] for arr in x_train4D]).astype('float32')
  30.  
  31.  x_test4D = [cv2.cvtColor(cv2.resize(i,(32,32)), cv2.COLOR_GRAY2BGR) for i in x_test]
  32.  x_test4D = np.concatenate([arr[np.newaxis] for arr in x_test4D]).astype('float32')
  33.  print(x_test4D.shape)
  34.  print(x_train4D.shape)
  35.  "------------------------------------------------------------------------------------"
  36.  plt.imshow(x_train4D[0],cmap='gray')
  37.  pylab.show()
  38.  #x_train4D = x_train4D.astype('float32')
  39.  #x_test4D = x_test4D.astype('float32')
  40.  """归一化"""
  41.  x_test4D_normalize=x_test4D/255
  42.  x_train4D_normalize=x_train4D/255
  43.  
  44.  """one_hot encoding"""
  45.  y_trainOnehot=to_categorical(y_train)
  46.  y_testOnehot=to_categorical(y_test)
  47.  
  48.  """建立模型"""
  49.  "--------------------------------------------------------------------------"
  50.  model=Sequential()
  51.  model.add(Convolution2D(filters=64,
  52.                          kernel_size=(5,5),
  53.                          padding='same',
  54.                          input_shape=(32,32,3),
  55.  
  56.                          kernel_initializer='he_normal',
  57.                          name='cnn1'
  58.  
  59.                          )
  60.            )#output32*32*64
  61.  model.add(BatchNormalization(axis=-1))
  62.  model.add(Activation('relu'))
  63.  
  64.  # model.add(Convolution2D(filters=64,
  65.  #                         kernel_size=(5,5),
  66.  #                         padding='same',
  67.  #
  68.  #                         kernel_initializer='he_normal',
  69.  #                         name='cnn2'
  70.  #                         )
  71.  #           )#output32*32*64
  72.  # model.add(BatchNormalization(axis=-1))
  73.  # model.add(Activation('relu'))
  74.  model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output16*16*64
  75.  
  76.  model.add(Convolution2D(filters=128,
  77.                          kernel_size=(5,5),
  78.                          padding='same',
  79.  
  80.                          kernel_initializer='he_normal',
  81.                          name='cnn3'
  82.                          )
  83.            )#output16*16*128
  84.  model.add(BatchNormalization(axis=-1))
  85.  model.add(Activation('relu'))
  86.  # model.add(Convolution2D(filters=128,
  87.  #                         kernel_size=(5,5),
  88.  #                         padding='same',
  89.  #
  90.  #                         kernel_initializer='he_normal',
  91.  #                         name='cnn4'
  92.  #                         )
  93.  #           )#output16*16*128
  94.  # model.add(BatchNormalization(axis=-1))
  95.  # model.add(Activation('relu'))
  96.  model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output8*8*128
  97.  
  98.  model.add(Convolution2D(filters=256,
  99.                          kernel_size=(5,5),
  100.                          padding='same',
  101.  
  102.                          kernel_initializer='he_normal',
  103.                          name='cnn5'
  104.                          )
  105.            )#output8*8*256
  106.  model.add(BatchNormalization(axis=-1))
  107.  model.add(Activation('relu'))
  108.  # model.add(Convolution2D(filters=256,
  109.  #                         kernel_size=(5,5),
  110.  #                         padding='same',
  111.  #
  112.  #                         kernel_initializer='he_normal',
  113.  #                         name='cnn6'
  114.  #                         )
  115.  #           )#output8*8*256
  116.  # model.add(BatchNormalization(axis=-1))
  117.  # model.add(Activation('relu'))
  118.  # model.add(Convolution2D(filters=256,
  119.  #                         kernel_size=(5,5),
  120.  #                         padding='same',
  121.  #
  122.  #                         kernel_initializer='he_normal',
  123.  #                         name='cnn7'
  124.  #                         )
  125.  #           )#output8*8*256
  126.  # model.add(BatchNormalization(axis=-1))
  127.  # model.add(Activation('relu'))
  128.  model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output4*4*256
  129.  model.add(Convolution2D(filters=512,
  130.                          kernel_size=(5,5),
  131.                          padding='same',
  132.  
  133.                          kernel_initializer='he_normal',
  134.                          name='cnn8'
  135.                          )
  136.            )#output4*4*512
  137.  model.add(BatchNormalization(axis=-1))
  138.  model.add(Activation('relu'))
  139.  # model.add(Convolution2D(filters=512,
  140.  #                         kernel_size=(5,5),
  141.  #                         padding='same',
  142.  #
  143.  #                         kernel_initializer='he_normal',
  144.  #                         name='cnn9'
  145.  #                         )
  146.  #           )#output4*4*512
  147.  # model.add(BatchNormalization(axis=-1))
  148.  # model.add(Activation('relu'))
  149.  # model.add(Convolution2D(filters=512,
  150.  #                         kernel_size=(5,5),
  151.  #                         padding='same',
  152.  #
  153.  #                         kernel_initializer='he_normal',
  154.  #                         name='cnn10'
  155.  #                         )
  156.  #           )#output4*4*512
  157.  # model.add(BatchNormalization(axis=-1))
  158.  # model.add(Activation('relu'))
  159.  model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output2*2*512
  160.  model.add(Convolution2D(filters=512,
  161.                          kernel_size=(5,5),
  162.                          padding='same',
  163.  
  164.                          kernel_initializer='he_normal',
  165.                          name='cnn11'
  166.                          )
  167.            )#output2*2*512
  168.  model.add(BatchNormalization(axis=-1))
  169.  model.add(Activation('relu'))
  170.  # model.add(Convolution2D(filters=512,
  171.  #                         kernel_size=(5,5),
  172.  #                         padding='same',
  173.  #
  174.  #                         kernel_initializer='he_normal',
  175.  #                         name='cnn12'
  176.  #                         )
  177.  #           )#output2*2*512
  178.  # model.add(BatchNormalization(axis=-1))
  179.  # model.add(Activation('relu'))
  180.  # model.add(Convolution2D(filters=512,
  181.  #                         kernel_size=(5,5),
  182.  #                         padding='same',
  183.  #
  184.  #                         kernel_initializer='he_normal',
  185.  #                         name='cnn13'
  186.  #                         )
  187.  #           )#output2*2*512
  188.  # model.add(BatchNormalization(axis=-1))
  189.  # model.add(Activation('relu'))
  190.  model.add(MaxPool2D(pool_size=(2,2),strides=(2, 2)))#output1*1*512
  191.  model.add(Dropout(0.5))
  192.  model.add(Flatten())
  193.  model.add(Dense(512))
  194.  model.add(Activation('relu'))
  195.  model.add(Dropout(0.5))
  196.  model.add(Dense(10))
  197.  model.add(Activation('softmax'))
  198.  model.summary()
  199.  plot_model(model,to_file='model4.png',show_shapes=True,show_layer_names=True)
  200.  # for layer in model.layers:
  201.  #     layer.trainable=False
  202.  "--------------------------------------------------------------------------------"
  203.  """训练模型"""
  204.  adam=SGD(lr=0.1)
  205.  model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
  206.  epoch=5
  207.  batchsize=100
  208.  # from keras.models import load_model
  209.  # model = load_model('./My_keras_model_weight')
  210.  history=model.fit(x=x_train4D_normalize,
  211.            y=y_trainOnehot,
  212.            epochs=epoch,
  213.            batch_size=batchsize,
  214.            validation_data=(x_test4D_normalize,y_testOnehot))
  215.  
  216.  """保存模型"""
  217.  model.save('./My_keras_model2_weight')
  218.  
  219.  #model.load('./My_keras_model_weight')
  220.  """画出损失曲线"""
  221.  training_loss=history.history["loss"]
  222.  train_acc=history.history["acc"]
  223.  test_loss=history.history["val_loss"]
  224.  test_acc=history.history["val_acc"]
  225.  
  226.  epoch_count=range(1,len(training_loss)+1)
  227.  plt.plot(epoch_count,training_loss,'r--')
  228.  plt.plot(epoch_count,test_loss,'b--')
  229.  plt.plot(epoch_count,train_acc,'r--')
  230.  plt.plot(epoch_count,test_acc,'b--')
  231.  plt.legend(["Training_loss","Test_loss","train_acc","test_acc"])
  232.  plt.xlabel("Epoch")
  233.  plt.ylabel("loss")
  234.  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

  1. 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 ...

  2. 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 -*- ...

  3. 【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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. 一篇文章教你如何部署.NET Core WPF应用，你还在等什么？

    DevExpress广泛应用于ECM企业内容管理. 成本管控.进程监督.生产调度,在企业/政务信息化管理中占据一席重要之地.通过DevExpress WPF Controls,您能创建有着强大互动功能 ...

  2. idea 包.路径切换为目录结构

    取消勾选

  3. mybatis+mysql批量插入和批量更新

    一.批量插入 批量插入数据使用的sql语句是: insert into table (字段一,字段二,字段三) values(xx,xx,xx),(oo,oo,oo) mybatis中mapper.x ...

  4. [Javascript] Nested generators

    To see how to call another generator inside a generator: function* numbers () { ; ; yield* moreNumbe ...

  5. .Net Core: 跨域Cros概要

    读取配置 public class AppConfig { public static IConfigurationRoot Configuration { get; set; } public st ...

  6. Material icons 全图标一览

    Material icons 全图标一览 2018年12月17日 16:52:55 boywcx 阅读数 3090   版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog. ...

  7. apt update时出现签名无法验证，公钥失效的解决办法

    错误信息如下 W: GPG error: http://ppa.launchpad.net/ondrej/php/ubuntu xenial InRelease: The following sign ...

  8. java/servlet/jsp 中String与int相互转换

    String ---> int //方式一:Integer(String s) //demo: Integer i = int a = i.intValue() //方式二:static int ...

  9. 三个div并排

    css: .div-inline{ display:inline} html: <div class="div-inline">第一个div盒子</div> ...

  10. Spring Cloud Eureka（六）：Eureka Client 如何注册到Eureka Server

    1.本节概要 根据前文我们对Eureka Server 有了一定的了解,本节我们主要学习Eureka Client 与 Eureka Server 如何通讯的及相关通信机制是什么,本文会弄清楚一下几个 ...