【小白學(xué)習(xí)keras教程】二、基于CIFAR-10數(shù)據(jù)集訓(xùn)練簡(jiǎn)單的MLP分類模型

「@Author：Runsen」

分類任務(wù)的MLP

• 當(dāng)目標(biāo)（「y」）是離散的（分類的）
• 對(duì)于損失函數(shù)，使用交叉熵；對(duì)于評(píng)估指標(biāo)，通常使用accuracy

數(shù)據(jù)集描述

• CIFAR-10數(shù)據(jù)集包含10個(gè)類中的60000個(gè)圖像—50000個(gè)用于培訓(xùn)，10000個(gè)用于測(cè)試
• 有關(guān)更多信息，請(qǐng)參閱官方文檔

from tensorflow.keras.datasets import cifar10
from tensorflow.keras.utils import to_categorical
# load data and flatten X data to fit into MLP
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train, x_test = x_train.reshape(x_train.shape[0], -1), x_test.reshape(x_test.shape[0], -1)
y_train, y_test = to_categorical(y_train), to_categorical(y_test)
print(x_train.shape, x_test.shape, y_train.shape, y_test.shape)

1.創(chuàng)建模型

• 與回歸模型相同-使用Sequentia()

model = Sequential()

1-1.添加層

• Keras層可以「添加」到模型中
• 添加層就像一個(gè)接一個(gè)地堆疊樂(lè)高積木
• 應(yīng)注意的是，由于這是一個(gè)分類問(wèn)題，應(yīng)添加sigmoid層（針對(duì)多類問(wèn)題的softmax）
• 文檔：https://keras.io/layers/core/

# Keras model with two hidden layer with 10 neurons each 
model.add(Dense(50, input_shape = (x_train.shape[-1],)))    # Input layer => input_shape should be explicitly designated
model.add(Activation('sigmoid'))
model.add(Dense(50))                         # Hidden layer => only output dimension should be designated
model.add(Activation('sigmoid'))
model.add(Dense(50))                         # Hidden layer => only output dimension should be designated
model.add(Activation('sigmoid'))
model.add(Dense(10))                          # Output layer => output dimension = 1 since it is regression problem
model.add(Activation('sigmoid'))
# This is equivalent to the above code block
model.add(Dense(50, input_shape = (x_train.shape[-1],), activation = 'sigmoid'))
model.add(Dense(50, activation = 'sigmoid'))
model.add(Dense(50, activation = 'sigmoid'))
model.add(Dense(10, activation = 'sigmoid'))

1-2.模型編譯

• Keras模型應(yīng)在培訓(xùn)前“編譯”
• 應(yīng)指定損失類型（函數(shù)）和優(yōu)化器
• 文檔（優(yōu)化器）：https://keras.io/optimizers/
• 文檔（損失）：https://keras.io/losses/

from tensorflow.keras import optimizers
sgd = optimizers.SGD(lr = 0.01)    # stochastic gradient descent optimizer
model.compile(optimizer = sgd, loss = 'categorical_crossentropy', metrics = ['accuracy'])

模型摘要

model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 50)                153650    
_________________________________________________________________
activation (Activation)      (None, 50)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 50)                2550      
_________________________________________________________________
activation_1 (Activation)    (None, 50)                0         
_________________________________________________________________
dense_2 (Dense)              (None, 50)                2550      
_________________________________________________________________
activation_2 (Activation)    (None, 50)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 10)                510       
_________________________________________________________________
activation_3 (Activation)    (None, 10)                0         
=================================================================
Total params: 159,260
Trainable params: 159,260
Non-trainable params: 0
_________________________________________________________________

2.訓(xùn)練

• 使用提供的訓(xùn)練數(shù)據(jù)訓(xùn)練模型

model.fit(x_train, y_train, batch_size = 128, epochs = 50, verbose = 1)

3.評(píng)估

• Keras模型可以用evaluate（）函數(shù)計(jì)算
• 文檔：https://keras.io/metrics/

results = model.evaluate(x_test, y_test)

print(model.metrics_names)     # list of metric names the model is employing
print(results)                 # actual figure of metrics computed