計(jì)算機(jī)視覺-第08章3- -基于全連接網(wǎng)絡(luò)的圖像分類

人工智能視覺課程-基于全連接網(wǎng)絡(luò)的圖像分類人工智能學(xué)院01項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)本章的任務(wù)是構(gòu)建、訓(xùn)練、評(píng)估一個(gè)全連接網(wǎng)絡(luò)使得電腦具有將圖像根據(jù)所包含手寫數(shù)字進(jìn)行分類的能力多類別分類任務(wù)項(xiàng)目任務(wù)2024/1/15301項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)知識(shí)目標(biāo)理解全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的基本概念理解全連接神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟和相關(guān)概念技能目標(biāo)掌握常用圖片分類數(shù)據(jù)集MNIST圖片分類數(shù)據(jù)集在keras中的使用方法掌握使用keras搭建和訓(xùn)練一個(gè)全連接網(wǎng)絡(luò)的方法掌握使用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類的方法掌握分類模型的量化評(píng)估方法項(xiàng)目目標(biāo)2024/1/155職業(yè)素養(yǎng)目標(biāo)培養(yǎng)學(xué)生嚴(yán)謹(jǐn)、細(xì)致、規(guī)范的職業(yè)素質(zhì)培養(yǎng)學(xué)生團(tuán)隊(duì)協(xié)作、表達(dá)溝通能力培養(yǎng)學(xué)生跟蹤新技術(shù)、創(chuàng)新設(shè)計(jì)能力培養(yǎng)學(xué)生的技術(shù)標(biāo)準(zhǔn)意識(shí)、操作規(guī)范意識(shí)、服務(wù)質(zhì)量意識(shí)等項(xiàng)目目標(biāo)2024/1/15601項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)知識(shí)鏈接-全連接網(wǎng)絡(luò)2024/1/158全連接層上層的任意一個(gè)節(jié)點(diǎn)，都和當(dāng)前層的所有節(jié)點(diǎn)連接全連接網(wǎng)絡(luò)：所有層都是全連接層的神經(jīng)網(wǎng)絡(luò)

美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究所手寫數(shù)字圖片每張圖片都有一個(gè)標(biāo)簽，范圍0-960,000個(gè)訓(xùn)練樣本10,000個(gè)測(cè)試樣本分辨率28*28知識(shí)鏈接-MNIST數(shù)據(jù)集2024/1/159Sequential序貫?zāi)Ｐ蛯优c層之間只有相鄰關(guān)系無法實(shí)現(xiàn)跨層連接和多輸出可通過傳遞神經(jīng)層list或add()方法構(gòu)建Model函數(shù)式模型層與層之間任意連接編譯速度慢指定輸入層代表的變量知識(shí)鏈接-使用keras構(gòu)建網(wǎng)絡(luò)模型2024/1/1510Sequential序貫?zāi)Ｐ蛯优c層之間只有相鄰關(guān)系無法實(shí)現(xiàn)跨層連接和多輸出可通過傳遞神經(jīng)層list或add()方法構(gòu)建Model函數(shù)式模型層與層之間任意連接編譯速度慢指定輸入層代表的變量知識(shí)鏈接-使用keras構(gòu)建網(wǎng)絡(luò)模型2024/1/1511防止過擬合準(zhǔn)確率在訓(xùn)練集上高，在測(cè)試集上低以一定概率，將輸入的神經(jīng)元數(shù)值隨機(jī)設(shè)為0知識(shí)鏈接-Dropout層2024/1/151201項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)硬件條件一臺(tái)計(jì)算機(jī)軟件條件Windows10，64位PyCharmWindows社區(qū)版，Version:2021.1.2AnacondaWindowsPython3.8，64位TensorFlow(CPU版)1.14.0Keras2.2.5OpenCV-Python4.5.3.56、Numpy1.19.5、pydot-1.4.2等項(xiàng)目準(zhǔn)備2024/1/151401項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)任務(wù)實(shí)施-項(xiàng)目任務(wù)概述2024/1/1516任務(wù)實(shí)施-引入必要的庫2024/1/1517任務(wù)實(shí)施-選擇模型和構(gòu)建網(wǎng)絡(luò)2024/1/1518reshape輸出層不直接給出標(biāo)簽值0-9，而是輸出圖片屬于每個(gè)標(biāo)簽的概率任務(wù)實(shí)施-選擇模型和構(gòu)建網(wǎng)絡(luò)2024/1/1519網(wǎng)絡(luò)層級(jí)示意圖（神經(jīng)元數(shù)目簡(jiǎn)化）輸入層隱藏層1隱藏層2隱藏層3輸出層任務(wù)實(shí)施-網(wǎng)絡(luò)訓(xùn)練設(shè)置和編譯2024/1/1520Categoricalcrossentropy分類交叉熵函數(shù)：適用于多個(gè)分類唯一正確答案的任務(wù)SGD（StochaticGradientDescent），隨機(jī)梯度下降，一種梯度下降的方式，是一種Optimizer對(duì)象。Optimizer對(duì)象還包括RMSprop、Adam、Adagrad、Adadelta等。任務(wù)實(shí)施-數(shù)據(jù)準(zhǔn)備2024/1/15214[0,0,0,0,1,0,0,0,0,0][0,0,…,0.3,0.5,…,0]78410任務(wù)實(shí)施-網(wǎng)絡(luò)訓(xùn)練2024/1/1522可選參數(shù)含義batch_size對(duì)總的樣本數(shù)進(jìn)行分組，每組包含的樣本數(shù)量epochs

訓(xùn)練迭代次數(shù)shuffle是否把樣本隨機(jī)打亂之后再進(jìn)行訓(xùn)練validation_split數(shù)據(jù)集中多少比例的數(shù)據(jù)用來作為驗(yàn)證集。verbose屏顯模式。0：不輸出1：輸出進(jìn)度2：輸出每輪迭代的訓(xùn)練結(jié)果任務(wù)實(shí)施-模型測(cè)試2024/1/15232[0,0.1,0.6,0.1,0,0,0.2,0,0,0]01項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07任務(wù)拓展08項(xiàng)目小結(jié)在本項(xiàng)目的訓(xùn)練設(shè)置中，我們使用SGD作為優(yōu)化器?？梢試L試使用keras.Optimizer中的其他優(yōu)化器進(jìn)行訓(xùn)練，與SGD進(jìn)行比較。本項(xiàng)目我們使用categoricalcrossentropy作為損失函數(shù)，可以嘗試使用MSE，比較訓(xùn)練結(jié)果。任務(wù)拓展2024/1/152501項(xiàng)目導(dǎo)入02項(xiàng)目任務(wù)03項(xiàng)目目標(biāo)04知識(shí)鏈接05項(xiàng)目準(zhǔn)備06任務(wù)實(shí)施07