神经网络--从0开始搭建全连接网络和CNN网络

Posted 2023-02-04

(本文目录：)

说明：在此试验下，我们使用的是使用tf2.x版本，在jupyter环境下完成 在本文中，我们将主要完成以下四个任务：

• 加载keras内置的mnist数据库

• 自己搭建简单神经网络，并自选损失函数和优化方法

• 搭建4层全连接神经网络，除输入层以外，各层神经元个数分别为1000，300，64，10，激活函数自选

• 搭建CNN网络，要求有1个卷积层（32卷积核），1个池化层（2x2），1个卷积层（16卷积核），1个全局池化层（globalMaxPool），一个全连接输出层，激活函数自选

一、搭建4层全连接神经网络

加载keras内置的mnist数据库，搭建4层全连接神经网络，除输入层以外，各层神经元个数分别为1000，300，64，10，激活函数自选

1.调用库函数

import tensorflow as tf
import matplotlib.pyplot as plt
mnist = tf.keras.datasets.mnist
from tensorflow.keras.layers import Flatten,Dense,Dropout

2.选择模型，构建网络

搭建4层全连接神经网络，除输入层以外，各层神经元个数分别为1000，300，64，10

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 选择模型，构建网络
model = tf.keras.models.Sequential()
model.add(Flatten(input_shape=(28, 28)))
# 各层神经元个数分别为1000，300，64，10
model.add(Dense(1000, activation=relu))
model.add(Dense(300, activation=relu))
model.add(Dense(64, activation=relu))
model.add(Dropout(0.2))  # 采用20%的dropout
model.add(Dense(10, activation=softmax))  # 输出结果是10个类别，所以维度是10，最后一层用softmax作为激活函数

3.编译（使用交叉熵作为loss函数）

指明优化器、损失函数、准确率计算函数

# 编译（使用交叉熵作为loss函数）,指明优化器、损失函数、准确率计算函数
model.compile(optimizer=tf.keras.optimizers.Adam(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[tf.keras.metrics.sparse_categorical_accuracy])

# 训练（训练10个epoch）
history = model.fit(x_train, y_train, epochs=10)

这里是训练的结果：

4.输出

输出测试集上的预测准确率

# 输出
scores = model.evaluate(x_test,y_test)
print(scores)
print("The accuracy of the model is %f" % scores[1])  #输出测试集上的预测准确率

这里是输出的结果：

5.画出图像

使用plt模块进行数据可视化处理

# 画出图像
plt.plot(history.history[loss], color=red, label=Loss)
plt.legend(loc=best)
plt.title(Training Loss)
plt.show()

6.结论

第一种神经网络准确率：0.976200

二、搭建CNN网络

要求有1个卷积层，1个池化层，1个全局池化层（globalMaxPool），一个全连接输出层，激活函数自选

1.调用库函数

import matplotlib.pyplot as plt
import tensorflow as tf
import tensorflow_datasets as tfds
import math
from tensorflow.keras.layers import Conv2D,MaxPooling2D,GlobalMaxPooling2D,Flatten,Dense

2.调用数据集

加载keras内置的mnist数据库

# 调用数据集
dataset, metaset = tfds.load(mnist, as_supervised=True, with_info=True)
train_dataset, test_dataset = dataset[train], dataset[test]

3.图片归一化

# 图片归一化
def normalize(images, labels):
    images = tf.cast(images, tf.float32)
    images /= 255
    return images, labels
train_dataset = train_dataset.map(normalize)
test_dataset = test_dataset.map(normalize)

4.选择模型，构建网络

构建出1个卷积层，1个池化层，1个全局池化层（globalMaxPool），一个全连接输出层

# 选择模型，构建网络
model = tf.keras.Sequential()

# 卷积层
model.add(Conv2D(32, (5, 5), padding=same, activation=tf.nn.relu, input_shape=(28, 28, 1))),  

# 池化层 
model.add(MaxPooling2D((2, 2), strides=2)), 

# 全局池化层（globalMaxPool）
model.add(Conv2D(64, (5, 5), padding=same, activation=tf.nn.relu)),  # 卷积层
model.add(GlobalMaxPooling2D()),

 # 全连接输出层
model.add(Flatten()),#展平
model.add(Dense(512, activation=tf.nn.relu)),
model.add(Dense(10, activation=tf.nn.softmax))# 输出结果是10个类别，所以维度是10，最后一层用softmax作为激活函数

5.编译

指明优化器、损失函数、准确率计算函数

# 编译（使用交叉熵作为loss函数）,指明优化器、损失函数、准确率计算函数
model.compile(optimizer=adam,loss=sparse_categorical_crossentropy,metrics=[accuracy])
# 展示训练的过程
display(model.summary())

这里是输出的结果：

6.批量输入的样本个数

# 批量输入的样本个数
BATCH_SIZE = 64
num_train = metaset.splits[train].num_examples
num_test = metaset.splits[test].num_examples
train_dataset = train_dataset.repeat().shuffle(num_train).batch(BATCH_SIZE)
test_dataset = test_dataset.repeat().shuffle(num_test).batch(BATCH_SIZE)

7.训练

训练10个epoch

# 训练（训练10个epoch）
history = model.fit(train_dataset, epochs=10, steps_per_epoch=math.ceil(num_train / BATCH_SIZE))

这里是输出的结果：

8.输出

# 输出
test_loss, test_accuracy = model.evaluate(test_dataset, steps=math.ceil(num_test / BATCH_SIZE))
print(test_loss, test_accuracy)

这里是输出的结果：

9.画出图像

使用plt模块进行数据可视化处理

# 画出图像
plt.plot(history.history[loss], color=red, label=Loss)
plt.legend(loc=best)
plt.title(Training Loss)
plt.show()

这里是输出的结果：

10.结论

第二种神经网络准确率：0.993232

三、两种网络对比

第一种神经网络准确率：0.976200 第二种神经网络准确率：0.993232 总结： 通过对比我们可以发现CNN卷积神经网络相对于传统神经网络NN准确率会高一些，由卷积的操作可知，输出图像中的任何一个单元，只跟输入图像的一部分有关系。而传统神经网络中，由于都是全连接，所以输出的任何一个单元，都要受输入的所有的单元的影响。这样无形中会对图像的识别效果大打折扣，因此CNN在此种方面会更具优势