深さ学習|Keras識別CIFAR-10画像(CNN)

データとメソッド

CIFAR-10データセットは6000個32×32個のカラーピクチャ、50000個のトレーニングピクチャ、10000個のテストピクチャ.飛行機、自動車、鳥、猫、鹿、犬、カエル、馬、船、トラックの10種類があります.

データのダウンロードと処理

データのダウンロード
Kerasはすでにモジュールを提供してデータをダウンロードして、コードを通じてダウンロードを完成することができます.

from keras.datasets import cifar10
import numpy as np
np.random.seed(10)

(x_img_train,y_label_train),(x_img_test,y_label_test)=cifar10.load_data()

データしょり

標準化

labelのone-hot符号化

x_img_train_normalize = x_img_train.astype('float32') / 255.0
x_img_test_normalize = x_img_test.astype('float32') / 255.0

from keras.utils import np_utils
y_label_train_OneHot = np_utils.to_categorical(y_label_train)
y_label_test_OneHot = np_utils.to_categorical(y_label_test)

CNNモデリング

モデルこうぞう
モデルの作成

from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,Dense,Dropout,Flatten

model = Sequential()
model.add(Conv2D(filters=32,kernel_size=(3,3),
                 input_shape=(32, 32,3), 
                 activation='relu', 
                 padding='same'))
model.add(Dropout(0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=64, kernel_size=(3, 3), 
                 activation='relu', padding='same'))
model.add(Dropout(0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dropout(rate=0.25))
model.add(Dense(1024, activation='relu'))
model.add(Dropout(rate=0.25))
model.add(Dense(10, activation='softmax'))

トレーニングモデル

model.compile(loss='categorical_crossentropy',
              optimizer='adam', metrics=['accuracy'])
train_history = model.fit(x_img_train_normalize, y_label_train_OneHot,
                        validation_split=0.2,
                        epochs=10, batch_size=128, verbose=1) 

モデル予測
精度は特に高くなく、何層ものボリュームとプール化ができます.