原文链接：http://tecdat.cn/?p=24386

本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用 Keras Sequential API，因此创建和训练我们的模型只需几行代码。

设置

library(keras)

复制

下载并准备 CIFAR10 数据集

CIFAR10 数据集包含 10 个类别的 60,000 张彩色图像，每个类别有 6,000 张图像。数据集分为 50,000 张训练图像和 10,000 张测试图像。这些类是互斥的，它们之间没有重叠。

验证数据

为了验证数据集看起来是否正确，让我们绘制训练集中的前 25 张图像并在每张图像下方显示类别名称。

train %>% 
  map(as.rater, max = 255) %>%

复制

R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化原文链接：http://tecdat.cn/?p=24386

创建卷积基

下面的6行代码使用一种常见的模式定义了卷积基础：Conv2D和MaxPooling2D层的堆叠。

作为输入，CNN接受形状的张量（image\_height, image\_width, color\_channels），忽略了批次大小。如果你是第一次接触这些维度，color\_channels指的是（R,G,B）。在这个例子中，你将配置我们的CNN来处理形状为（32，32，3）的输入，这是CIFAR图像的格式。你可以通过将参数input_shape传递给我们的第一层来做到这一点。

kers\_moe\_etl %>% 
  laer\_c\_2d(fles = 32, ene_sz = c(3,3), acan = "relu", 
  lye\_apoi\_2d(posize = c(2,2)) %>% 
  lae\_cv\_2d(filrs = 64, relze = c(3,3), ctitio = "reu")

复制

到目前为止，让我们展示一下我们模型的架构。

summary(model)

复制

点击标题查阅往期内容

【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析

左右滑动查看更多

在上面，你可以看到每个Conv2D和MaxPooling2D层的输出是一个三维形状的张量（高度、宽度、通道）。当你深入到网络中时，宽度和高度维度往往会缩小。每个Conv2D层的输出通道的数量由第一个参数控制（例如32或64）。通常情况下，随着宽度和高度的缩小，你可以承受（计算上）在每个Conv2D层中增加更多的输出通道。

在顶部添加密集层

为了完成我们的模型，您需要将卷积基（形状为 (3, 3, 64)）的最后一个输出张量输入一个或多个 Dense 层以执行分类。密集层将向量作为输入（1D），而当前输出是 3D 张量。首先，您将 3D 输出展平（或展开）为 1D，然后在顶部添加一个或多个 Dense 层。CIFAR 有 10 个输出类，因此您使用具有 10 个输出和 softmax 激活的最终 Dense 层。

model %>% 
  leree(unis = 64, aciaion = "relu") %>% 
  ayedese(unis = 10, acivin = "sftax")

复制

这是我们模型的完整架构。

注意 Keras 模型是可变对象，您不需要在上面的 chubnk 中重新分配模型。

summary(modl)

复制

如您所见，我们的 (3, 3, 64) 输出在经过两个 Dense 层之前被展平为形状为 (576) 的向量。

编译和训练模型

moel %>% comle(
  optier = "adam",
  lss = "specatialosnopy",
  mecs = "accray"
)

复制

评估模型

plot(hsy)

复制

ealte(oel, x,y, erbe = 0)

复制

我们简单的 CNN 已经实现了超过 70% 的测试准确率。

R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化原文链接：http://tecdat.cn/?p=24386