Skip to main content
 首页 » 编程设计

python之如何使用 cifar 在 Keras 中训练单层神经网络

2025年02月15日9haluo1

我想使用 cifar 数据集和 keras 框架训练单层神经网络。由于数据集的每个图像都是 32 x 32 x 3,所以我不太确定如何使用没有卷积的单层网络来处理图像。我认为将每个图像展平为形状为 N x 32*32*3 的数据集是正确的做法。因此我做了以下事情:

#Flatten 
X_train = X_train.reshape((X_train.shape[0],32*32*3)) 
X_test = X_test.reshape((X_test.shape[0],32*32*3)) 

然后我就制作了一个与输入维度相匹配的单层网络:

model.add(Dense(units_single_layer, input_shape=(32*32*3,))) 
model.add(Activation('relu')) 
model.add(Dense(nb_classes)) 
model.add(Activation('softmax')) 

代码似乎编译一切正常。因此,这是在没有卷积的图像数据集上训练单层神经网络的正确方法吗?我想最让我失望的是图像是 3D 张量,但单层网络只会将其视为 1D 矢量,而不管其形状如何。对吧?

此外,由于 Keras 提供了一个 flatten() 函数,我似乎不清楚这是否是出于效率或其他原因的首选方法。但是,我没能做到这一点。

另外,不用说,softmax 层并不能真正算作另一层。正确的?我希望它是单层的。


完整代码:

from __future__ import print_function 
from keras.datasets import cifar10 
from keras.preprocessing.image import ImageDataGenerator 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Activation, Flatten 
from keras.layers import Convolution2D, MaxPooling2D 
from keras.utils import np_utils 
 
batch_size = 32 
nb_classes = 10 
units_single_layer = 100 
nb_epoch = 200 
data_augmentation = False 
 
# input image dimensions 
img_rows, img_cols = 32, 32 
# The CIFAR10 images are RGB. 
img_channels = 3 
# The data, shuffled and split between train and test sets: 
(X_train, y_train), (X_test, y_test) = cifar10.load_data() 
#Flatten 
X_train = X_train.reshape((X_train.shape[0],32*32*3)) 
X_test = X_test.reshape((X_test.shape[0],32*32*3)) 
 
# Convert class vectors to binary class matrices. 
Y_train = np_utils.to_categorical(y_train, nb_classes) 
Y_test = np_utils.to_categorical(y_test, nb_classes) 
 
model = Sequential() 
 
#model.add( Flatten(input_shape=32*32*3) ) 
#model.add(Flatten()) 
#model.add(Flatten(100, input_shape=(32*32*3,))) 
model.add(Dense(units_single_layer, input_shape=(32*32*3,))) 
model.add(Activation('relu')) 
model.add(Dense(nb_classes)) 
model.add(Activation('softmax')) 
 
# Let's train the model using RMSprop 
model.compile(loss='categorical_crossentropy', 
              optimizer='rmsprop', 
              metrics=['accuracy']) 
 
X_train = X_train.astype('float32') 
X_test = X_test.astype('float32') 
X_train /= 255 
X_test /= 255 
 
print('Not using data augmentation.') 
model.fit(X_train, Y_train, 
          batch_size=batch_size, 
          nb_epoch=nb_epoch, 
          validation_data=(X_test, Y_test), 
          shuffle=True) 

请您参考如下方法:

你做的一切都是对的,如果你只想要一个致密层,这就是方法。它仅接受一维张量,因此您可以很好地 reshape 。

softmax 不被视为一个层,因为它没有任何权重或参数可供训练。

出于好奇,为什么要对输入使用 relu?它们不是应该在 0 和 1 之间吗?