feature-extraction代码

from __future__ import print_function import numpy as np np.random.seed(1337) from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Convolution2D, MaxPooling2D from keras.utils import np_utils from keras import backend as K batch_size = 128 nb_classes = 10 nb_epoch = 12 # 输入图像的维度，此处是mnist图像，因此是28*28 img_rows, img_cols = 28, 28 # 卷积层中使用的卷积核的个数 nb_filters = 32 # 池化层操作的范围 pool_size = (2,2) # 卷积核的大小 kernel_size = (3,3) # keras中的mnist数据集已经被划分成了60,000个训练集，10,000个测试集的形式，按以下格式调用即可 (X_train, y_train), (X_test, y_test) = mnist.load_data() # 后端使用tensorflow时，即tf模式下， # 会将100张RGB三通道的16*32彩色图表示为(100,16,32,3)， # 第一个维度是样本维，表示样本的数目， # 第二和第三个维度是高和宽， # 最后一个维度是通道维，表示颜色通道数 X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1) X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1) input_shape = (img_rows, img_cols, 1) # 将X_train, X_test的数据格式转为float32 X_train = X_train.astype('float32') X_test = X_test.astype('float32') # 归一化 X_train /= 255 X_test /= 255 # 打印出相关信息 print('X_train shape:', X_train.shape) print(X_train.shape[0], 'train samples') print(X_test.shape[0], 'test samples') # 将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵， # 相当于将向量用one-hot重新编码 Y_train = np_utils.to_categorical(y_train, nb_classes) Y_test = np_utils.to_categorical(y_test, nb_classes) # 建立序贯模型 model = Sequential() # 卷积层，对二维输入进行滑动窗卷积 # 当使用该层为第一层时，应提供input_shape参数，在tf模式中，通道维位于第三个位置 # border_mode：边界模式，为"valid","same"或"full"，即图像外的边缘点是补0 # 还是补成相同像素，或者是补1 model.add(Convolution2D(nb_filters, kernel_size[0] ,kernel_size[1], border_mode='valid', input_shape=input_shape)) model.add(Activation('relu')) # 卷积层，激活函数是ReLu model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) # 池化层，选用Maxpooling，给定pool_size，dropout比例为0.25 model.add(MaxPooling2D(pool_size=pool_size)) model.add(Dropout(0.25)) # Flatten层，把多维输入进行一维化，常用在卷积层到全连接层的过渡 model.add(Flatten()) # 包含128个神经元的全连接层，激活函数为ReLu，dropout比例为0.5 model.add(Dense(128)) model.add(Activation('relu')) model.add(Dropout(0.5)) # 包含10个神经元的输出层，激活函数为Softmax model.add(Dense(nb_classes)) model.add(Activation('softmax')) # 输出模型的参数信息 model.summary() # 配置模型的学习过程 model.compile(loss='categorical_crossentropy', optimizer='adadelta', metrics=['accuracy']) # 训练模型 model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, verbose=1, validation_data=(X_test, Y_test)) # 按batch计算在某些输入数据上模型的误差 score = model.evaluate(X_test, Y_test, verbose=0) # 输出训练好的模型在测试集上的表现 print('Test score:', score[0]) print('Test accuracy:', score[1])