卷积神经网络 (CNN) 是用于图像处理和识别任务的强大工具。它们被设计为通过反向传播自动、自适应地学习特征的空间层次结构。让我们深入研究使用 Python 和 TensorFlow/Keras 构建基本的 CNN。

？先决条件

开始之前，请确保您已安装以下库：

pip install tensorflow numpy matplotlib

?️ 第1步：导入必要的库

首先导入必要的库：

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

?️ 第 2 步：加载并预处理数据集

在此示例中，我们将使用 CIFAR-10 数据集，该数据集由 10 个类别的 60,000 张 32x32 彩色图像组成。

# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

# Normalize the pixel values to be between 0 and 1
x_train, x_test = x_train / 255.0, x_test / 255.0

？第 3 步：构建 CNN 模型

现在，让我们构建 CNN 模型。该模型将包括关键层：卷积层、池化层和密集层。

model = models.Sequential()

# First Convolutional Layer
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))

# Second Convolutional Layer
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

# Third Convolutional Layer
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# Flatten the output and add Dense layers
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

？第四步：编译模型

编译模型涉及指定优化器、损失函数和训练期间要监控的指标。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

？第 5 步：训练模型

在几个 epoch 的训练数据上训练 CNN 模型。

history = model.fit(x_train, y_train, epochs=10, 
                    validation_data=(x_test, y_test))

？第 6 步：评估模型

训练后，在测试数据上评估模型，看看它的表现如何。

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'\nTest accuracy: {test_acc}')

?️ 第 7 步：可视化训练结果

最后，让我们可视化训练时期的准确性和损失。

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()

？结论

这个基本的 CNN 模型是处理图像分类任务的一个很好的起点。通过理解和修改此模型，您可以尝试不同的架构和技术来增强模型的性能。继续探索和调整层以构建更强大的神经网络！ ？

此代码旨在易于理解和修改，适合初学者和那些希望在 Python 中开始使用 CNN 的人。

CNN 架构博客链接：https://dev.to/abhinowww/demystifying-cnn-neural-network-layers-a-deep-dive-into-ai-architecture-12d2