最近学习CNN，搭建CNN模型时看网上鱼龙混杂的博客走了不少歪路，决定自己来总结一下。
注意本教程未必对所有版本有效，请根据需要的版本适当调整。 文章中配置的环境是Python 3.8.12 ，TensorFlow 2.3.0，Keras 2.4.3，构建自己的模型时TensorFlow是升级到了2.6.0。与文章中截图的中显示的版本可能略有不同，那是因为从我以前的笔记中截取的，请以文字为准
搭建环境
我们需要事先确定需要的Python、Keras以及TensorFlow版本。
以我为例，我想要构建自己的CNN模型，而且需要使用一些TensorFlow 2.3版本以后才支持的API，所以得安装比较新的版本，那么目前来说（2022.3.16）得需要Python 3.7以上的版本。
环境配置
Anaconda安装
方便起见，我们下载Anaconda用于环境搭建，Anaconda官网
点Download下载安装包即可。
下载完成打开安装程序
点击next
接受协议
为所有用户(或您自己)安装，此处需要管理员权限
[En]
Install for all users (or for yourself), administrator privileges will be required here
选择安装位置
这个…英文能看懂吧，我就不翻译了，图省事我勾选了上方的配置系统变量，添加到我使用PyCharm所以也勾选了下方的，然后点Install安装即可。
; 创建Python环境
下一步我们来创建一个Python环境。这里使用GUI创建，如果熟悉的话命令行也可。
打开上一步安装的Anaconda Navigator
点击Environments里的create来创建环境
为环境起个名字，并选择相应Python版本。我这里叫tf2，选的是python 3.7.11版本。
再次点击create后稍作等待，待其安装完成。
安装完成后打开终端（open terminal）
键入
python -V
说明已经成功安装了python 3.9.7，需要该环境的时候使用
conda activate tf2
激活环境即可。
安装TensorFlow和Keras
依旧是在Anaconda Navigator中操作
选择Not installed栏，搜索tensorflow
勾选tensorflow然后点击apply
等待搜索依赖
再次点击apply，他会开始安装所有相关依赖以及tensorflow本体
安装完成后打开终端(上述打开方法)
[En]
Open the terminal after the installation is complete (the opening method mentioned above)
如图表明已经激活名为”tf2″的环境，接下来键入
python
import tensorflow as tf
print(tf.__version__)
看到对应安装的版本号，说明安装成功了。接下来再安装keras
选择Not installed栏，搜索keras
勾选keras然后点apply，接下来同前文提到tensorflow安装流程一样，弹出串口点击apply安装，待安装完成，终端键入
python
import keras
print(keras.__version__)
显示keras版本号，安装完成
安装其他依赖
为了可视化训练结果，我们需要matplotlib库，另外安装ipython和jupyter。
类似于上文安装的过程，我们在Anaconda Navigator搜索安装即可，在此不多赘述。
安装问题汇总
Anaconda安装依赖无法满足
根据文字说明可以发现是一些依赖项版本无法符合的原因，一般是一般是Python版本过高造成的，固然tensorflow和keras支持Python 3.7-3.10版本,但其他库可能不支持高版本Python，所以解决方法之一便是降版本，安装更低版本的Python，不过降版本Anaconda上可安装的tensorflow版本也会降，如有需要得手动安装高版本tensorflow，相应的依赖项版本可能也有变动，比较麻烦；方法之二就是手动安装依赖项，适合有经验的人。
; 实操构建CNN模型
其实Keras和TensorFlow官网都有实例代码及其讲解，也可以自己去看看。
跑一个例程
跟着跑例程的操作主要是为了理解API的用法，这里用的是TensorFlow的新手指导例程，原网址
官方有较详尽的解释，有官方中文，新手建议跟着走一遍加深理解，我这里是简化版的，没有可视化部分，官方有可视化部分，需要安装matplotlib库。
import tensorflow as tf
from tensorflow import keras
import numpy as np
print(tf.__version__)
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
train_images = train_images / 255.0
test_images = test_images / 255.0
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])
img = test_images[1]
img = (np.expand_dims(img,0))
prediction = probability_model.predict(img)
print(prediction)
print(np.argmax(prediction))
构建自己的CNN模型
终于到了这一步了，哪个男孩不想拥有一套自己的CNN呢（雾）
我这里也是按图索骥，可以看看TensorFlow官方的教程
我以智能汽车比赛的图像作为训练数据集，对赛道元素进行分类。数据量不多，但赛道的特点毕竟是明显的，我觉得应该足够了。
[En]
I took the image of the smart car race as the training data set to classify the elements of the track. The amount of data is not much, but the characteristics of the track are obvious after all, and I think it should be enough.
注意：我这里用的是TensorFlow版本是2.6.0。 前文安装的2.3.0版本是没有 image_dataset_from_directoryAPI的，从图片制作数据集稍麻烦。
准备工作
首先，你需要一些分类的图像文件，它们位于相应的类名的文件夹中。
[En]
First of all, you need some classified image files, which are located in the folder of the corresponding class name.
结构如下
track/
crossroad/
curve/
fork/
ramp/
roundabout/
straight/
编写程序
import os
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import tensorflow as tf
import matplotlib.pyplot as plt
directory="E:/dataset/track"
batch_size = 32
img_height = 120
img_width = 188
train_ds = tf.keras.utils.image_dataset_from_directory(
directory,
color_mode="grayscale",
validation_split=0.2,
subset="training",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)
val_ds = tf.keras.utils.image_dataset_from_directory(
directory,
color_mode="grayscale",
validation_split=0.2,
subset="validation",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)
class_names = train_ds.class_names
print(class_names)
num_classes = len(class_names)
model = tf.keras.Sequential([
tf.keras.layers.Rescaling(1./255),
layers.Conv2D(16, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(120, activation='relu'),
tf.keras.layers.Dense(60, activation='relu'),
tf.keras.layers.Dense(num_classes)
])
model.compile(
optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
epochs = 40
history = model.fit(
train_ds,
validation_data=val_ds,
epochs=epochs
)
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epochs)
plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
效果
(作为示例程序模型没有细调)
本人也是CNN新手，文章可能还有不足，如有问题请在评论区指出，我会尽可能完善，愿共同学习共同进步;)
Original: https://blog.csdn.net/qq_34180396/article/details/123523131
Author: McDuck_Spirit
Title: 从零开始，手把手教你使用Keras和TensorFlow构建自己的CNN模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/497041/
转载文章受原作者版权保护。转载请注明原作者出处！