当前位置：首页 > news >正文

CNN卷积神经网络实战（1）

news 来源：原创 2025/6/18 14:16:57

CNN卷积神经网络的由来：

CNN卷积神经网络是基于MLP模型上解决图片像素很大的时候，训练参数很多时，如何减少训练参数的数量的问题上衍生的。对于上述问题的解决办法是提取出图像中的关键信息（或关键轮廓），提取后再建立MLP模型进行训练。

图像卷积运算

图像卷积运算：

对图像矩阵与滤波器矩阵进行对应相乘然后再求和的运算，转化得到新的矩阵。

作用：可以快速定位图像中某些边缘特征

例如：图像矩阵A，滤波器矩阵F，A和F进行卷积后得到A*F

卷积神经网络的核心---寻找合适的轮廓过滤器

计算机根据样本图片，自动寻找合适的轮廓过滤器，对新的图片进行轮廓匹配

在有些情况，一个过滤器是不够的，需要寻找很多过滤器。比如彩色图像

RGB图像的卷积：对R/G/B 3个通道分别求卷积再相加。

卷积的目的是提取图像特征和轮廓

卷积后得到的训练数据参数，如何对训练数据参数进行进一步的减少，这里需要引入池化。

池化

池化的概念：按照一个固定规则对图像矩阵进行处理，其目的是为了将其转化成更低维度的矩阵。分为2种池化类型，最大法池化(Max-pooling)和平均值池化

池化的前提条件是保留核心信息的前提条件下，对训练参数进行降维。

卷积神经网络的概念

将卷积，池化，mlp先后连接在一起，组成卷积神经网络。

在卷积神经网络中还有一个激活函数，比如Relu函数：f(x) = max(x,0)

其作用是使部分神经元为0，防止过拟合，还有一种作用是有助于模型求解。

卷积神经网络的特征

参数共享：同一个过滤特征器可以适用于整张图片。
稀疏连接：生成的特征图片每个节点只与原图片中特定节点连接。

卷积神经网络实战

训练数据图片的预处理

from keras.src.legacy.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
training_set = train_datagen.flow_from_directory('/Users/zc/PyCharmMiscProject/dataset/',target_size=(500,500),batch_size=32,class_mode='binary')
print(training_set.class_indices)

卷积神经网络模型的建立

from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Flatten,Dense
model = Sequential()
#增加卷积层
model.add(Conv2D(32,(3,3),input_shape=(500,500,3),activation='relu'))
#增加池化层
model.add(MaxPool2D(pool_size=(2,2)))
#增加卷积层
model.add(Conv2D(32,(3,3),activation='relu'))
#增加池化层
model.add(MaxPool2D(pool_size=(2,2)))
#增加Flatten
model.add(Flatten())
#增加FC layer
model.add(Dense(units=128,activation='relu'))
model.add(Dense(units=1,activation='sigmoid'))
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
model.summary()模型训练和模型评估

model.fit(training_set,epochs=8)
train_accuracy = model.evaluate(training_set)
print("train accuracy:",train_accuracy)网上下载图片进行猫狗预测

pic_dog = '/Users/zc/PyCharmMiscProject/4.jpg'
pic_dog = load_img(pic_dog,target_size=(500,500))
pic_dog = img_to_array(pic_dog)
# print(pic_dog)
pic_dog = pic_dog/255
print(pic_dog)pic_dog.reshape(1,500,500,3)
print(type(pic_dog))
print(pic_dog)
result1 = model.predict(pic_dog)
print(result1)

从网上下载图片进行预测，预测结果为none，没有到达实战的效果，现在暂时没有定位出具体哪里出现了问题，后续再定位。网上各位好友有思路请告诉我，非常感激。