使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)在Keras中非常簡(jiǎn)單。以下是一個(gè)簡(jiǎn)單的例子,演示如何構(gòu)建一個(gè)簡(jiǎn)單的CNN模型:
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
# 創(chuàng)建一個(gè)Sequential模型
model = Sequential()
# 添加第一個(gè)卷積層
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
# 添加最大池化層
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加第二個(gè)卷積層
model.add(Conv2D(64, (3, 3), activation='relu'))
# 添加最大池化層
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加Flatten層
model.add(Flatten())
# 添加全連接層
model.add(Dense(128, activation='relu'))
# 添加輸出層
model.add(Dense(10, activation='softmax'))
# 編譯模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 打印模型結(jié)構(gòu)
model.summary()
在這個(gè)例子中,我們創(chuàng)建了一個(gè)簡(jiǎn)單的CNN模型,包含兩個(gè)卷積層和兩個(gè)最大池化層,然后是一個(gè)Flatten層和兩個(gè)全連接層。最后,我們編譯了模型并打印了模型的結(jié)構(gòu)。
你可以根據(jù)自己的需求和數(shù)據(jù)集調(diào)整模型的結(jié)構(gòu)和參數(shù),以獲得更好的性能。訓(xùn)練和測(cè)試模型的方法與在Keras中的其他模型一樣,你可以使用fit()方法進(jìn)行訓(xùn)練和evaluate()方法進(jìn)行測(cè)試。