使用Cifar-10圖庫訓練卷積神經網路

使用Cifar-10圖庫訓練卷積神經網路，Cifar-10圖庫擁有60000張圖片，分成10個類別，每個類別6000張圖片，每張圖片寬32像素高32像素。將60000張圖片分成訓練集為50000張圖片與測試集10000張圖片。訓練集每個類別挑選5000張圖片，共50000張圖片，測試集每個類別挑選1000張圖片，共10000張圖片。圖片分成「飛機」、「汽車」、「鳥」、「貓」、「鹿」、「狗」、「青蛙」、「馬」、「船」、「卡車」等10個類別。在keras函式庫可以載入Cifar-10圖庫，程式碼如下。

from tensorflow.keras.datasets import cifar10

(train_X, train_y), (test_X, test_y) = cifar10.load_data()

【說明】

train_X為訓練集的圖檔，train_y為訓練集的類別。

test_X為測試集的圖檔，test_y為測試集的類別。

12-1 使用卷積神經網路辨識Cifar-10圖庫

(12-1使用卷積神經網路辨識Cifar10圖庫.ipynb)

本範例使用Cifar-10圖庫，每張圖片由長寬各32個像素組成，總共10類，使用卷積神經網路辨識這些圖片，步驟如下。

Step1)匯入資料與修改資料

匯入cifar10圖庫，對輸入的訓練資料與測試資料進行處理。

程式說明

第1到11行：匯入函式庫。

第12行：設定繪圖模組plt的中文字型。

第13行：使用函式load_data下載資料集cifar10的訓練資料到train_X與train_y，測試資料到test_X與test_y。

第14到15行：讓每個值除以255，使圖片每個byte的數值介於0到1之間。

第16行：使用函式to_categorical轉換train_y為one-hot編碼，使用變數train_y2參考到此轉換結果。

第17行：使用函式to_categorical轉換test_y為one-hot編碼，使用變數test_y2參考到此轉換結果。

Step2)建立模型、訓練模型與評估模型

使用Sequential建立模型、訓練模型與評估模型。

程式說明

第1行：使用Sequential建立卷積神經網路模組。

第2行：使用Conv2D新增二維的卷積層，使用3x3的卷積核(Kernel)，使用64個卷積核，設定padding為same，設定激勵函式為relu，輸入圖片維度為(32,32,3)，3表示頻道(channel)個數，因為彩色相片的每個像素由3個byte組成。

第3行：使用MaxPooling2D新增二維的MaxPooling，設定感應範圍為2x2，每次向右或向下移動2格。

第4行：使用Conv2D新增二維的卷積層，使用3x3的卷積核(Kernel) ，使用64個卷積核，設定padding為same，設定激勵函式為relu。

第5行：使用MaxPooling2D新增二維的MaxPooling，設定感應範圍為2x2，每次向右或向下移動2格。

第6行：使用Flatten新增攤平層。

第7行：使用Dense新增全連接層，有128個神經元，使用relu為激勵函式。

第8行：使用Dense新增全連接層，有10個神經元，使用softmax為激勵函式。

第9行：設定優化器為adam，設定損失函式為categorical_crossentropy，表示此模型為多類別分類。設定metrics為accuracy，表示訓練過程要紀錄每次訓練的正確率。

第10行：使用函式summary輸出整個模組的摘要。

第11行：使用train_X為訓練資料集，train_y為訓練目標集，設定validation_data為(test_X, test_y)，表示使用test_X為測試資料集，test_y為測試目標集。所有輸入資料需要跑10次，每200筆輸入資料更新一次參數，卷積層參數為卷積核內的元素值。設定verbose為2，表示每個epochs輸出一個訓練紀錄。使用變數history接收訓練過程。

第12到13行：使用evaluate輸入測試資料test_X與test_y2評估模型的正確率，將評估結果指定給變數score。顯示變數score的第二個元素，表示要顯示正確率。