版權聲明：小博主水平有限，希望大家多多指導。

---

目錄：

【使用傳統DNN】

BG大龍：【DL項目實戰02】圖像分類——Keras框架+使用傳統神經網絡DNN?zhuanlan.zhihu.com

【使用卷積神經網絡CNN】

BG大龍：【DL項目實戰02】圖像識別分類——Keras框架+卷積神經網絡CNN（使用VGGNet）?zhuanlan.zhihu.com

1、數據集情況

2、任務目標

3、流程中的注意點

（1）讀取數據

（2）建立CNN（選用VGGNet）

——【第1部分】Conv2D層中，確定data_format類型

——【第2部分】特征提取：（卷積+池化）

——【第3部分】分類識別：（全連接）

（3）設定超參

（4）定義損失函數

（5）訓練模型

（6）結果

4、對比實驗

（1）第1個對比：添加Batch Normalization（BN，批量標準化層）

（2）第2個對比：添加Truncated Normal（TN，截斷分布）

（3）第3個對比：添加Dropout

5、加載模型，進行測試

---

1、數據集情況

---

2、任務目標

當輸入“image”時候，能否正確識別，識別的acc是多少

---

3、流程中的注意點

（1）讀取數據

DNN結構：

CNN結構：

正常CNN輸入是224 244 3，這里進行縮小成64 64 3，為了提高計算速度

（2）建立CNN（選用VGGNet）

把網絡模型單獨寫成一個模塊，然后直接去調用simpleVGGNet

在simpleVGGNet模塊里面，三部分工作

【第1部分】Conv2D層中，確定data_format類型

（data_format='channels_last'）—input_shape = (128,128,3)代表128*128的RGB圖像

（data_format='channels_first'）—input_shape = (3,128,128)代表128*128的RGB圖像

keras使用tensorflow作為Backend時，格式是（data_format='channels_first'）

或者我們定義一個判斷語句：

【第2部分】特征提取：（卷積+池化）

（1）32—64—128：為了降低pooling壓縮帶來的損失影響，filter個數逐步翻倍
（2）padding：補0策略，為“valid”, “same”
“valid”代表只進行有效的卷積，即對邊界數據不處理。
“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。
API文檔： 卷積層 - Keras中文文檔
（3）凡是計算層后面，都要加上激活函數

【第3部分】分類識別：（全連接）

FC層：

激活函數softmax：

（3）設定超參

（4）定義損失函數

這里，有一個學習率的衰減，decay=INIT_LR / EPOCHS
看下API文檔，

（5）訓練模型

steps_per_epoch=len(trainX) // BS

它表示是將一個epoch分成多少個batch_size，
如果訓練樣本數N=1000，steps_per_epoch = 10，那么相當于一個batch_size=100

（6）結果

觀察val_loss，

---

4、對比實驗

（1）第1個對比：添加Batch Normalization（BN，批量標準化層）

API文檔：（批）規范化BatchNormalization - Keras中文文檔

axis：整數，指定當mode=0時規范化的軸。例如輸入是形如（samples，channels，rows，cols）的4D圖像張量，則應設置規范化的軸為1，意味著對每個特征圖進行規范化

NN結構：
在每一個“relu”后，添加BN

例如：

結果：
但是Loss為什么這么大？

猜測是“隨機初始化”的原因，我又重新運行了一次

BN添加前后對比：
更加穩定，提高了val_acc，

（2）第2個對比：添加Truncated Normal（TN，截斷分布）

API文檔： 初始化方法 - Keras中文文檔

NN結構：
在每個卷積層里面，添加kernel_initializer=TruncatedNormal()，stddev=0.01

例如：

結果：

TN添加前后對比：
有的參數添加后，不一定好

（3）第3個對比：添加Dropout

API文檔： 常用層 - Keras中文文檔

NN結構：
有個疑問：在卷積層中，已經是“權重參數共享”，連接的參數本來就不多，再進行Dropout，豈不是更少？（所以一般在Dense層在dropout？）

結果：

Dropout添加前后對比：
更加平穩，但是loss老是跑的比較高……

---

5、加載模型，進行測試

用“image”文件夾，去做預測

CNN結果：

對比DNN結果：

總結

以上是生活随笔為你收集整理的keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。