Keras入门之二：Hello Keras on CNN with Lena

本文主要是介绍Keras入门之二：Hello Keras on CNN with Lena，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

#=================== Test 2    Hello Keras on CNN ==============================================================================
# 这是一个简单的卷积神经网络的例子。from PIL import Image
from keras.models import Sequential  # 采用贯序模型
from keras.layers import Input, Dense, Dropout, Activation
from keras.layers import Convolution2D, ZeroPadding2D, MaxPooling2D
from keras.models import Model
from keras.optimizers import SGD
from keras.datasets import mnist
import numpy as np
import matplotlib.pyplot as plt  # 显示图片tBatchSize = 128def Kernels2Weight(Kernels, chl):weight_Num = Kernels.shape[0]weight_row = Kernels.shape[1]weight_col = Kernels.shape[2]ConvKernels = []for r in range(0,weight_row):CK_CHL= [] # 通道CKRow = []for c in  range(0,weight_col):CK_Item = []CK_Item2= []for n in range(0, weight_Num):CK_Item2.append(Kernels[n][r][c])for ch in range(0, chl):CK_Item.append(CK_Item2)  # 每个通道都是一样的CKRow.append(CK_Item)ConvKernels.append(CKRow)ConvKernels2 = []ConvKernels2.append(ConvKernels)return ConvKernels2'''第1步：准备数据'''
##打开图片
img = Image.open("Z:/Lenna.jpg",)
imgChl = 3
# img= img.convert("L")  # 转为灰度图像
# imgChl = 1(img_width, img_height) = img.size
print("image Size = ",img_width, img_height)##把图片转换成数组形式
arr = np.asarray(img,dtype="float32") #RGB:(w, h, 3)   Gray:(w,h)
if imgChl == 3:arr = np.rollaxis(arr, 2, 0)  #输入数据的维度轴转换次序
data = np.empty((1,imgChl, img_width,img_height),dtype="float32") # 'channels_last' for TF
data[0,:,:,:] = arr'''第2步：构建模型'''
model = Sequential() # 采用贯序模型'''构建权重（卷积核）'''
#增加一个横向的sobel卷积核 一个纵向的sobel卷积核
Kernels = []
sobel_h = [[-1,0,1], [-2, 0, 2], [-1, 0, 1]]
sobel_v = [[-1,-2,-1], [0, 0, 0], [1, 2, 1]]
Kernels.append(sobel_h)
Kernels.append(sobel_v)
Kernels = np.asarray(Kernels)weights = Kernels2Weight(Kernels, chl=imgChl)
# 显示权重结构
# print('Kernels2Weight:\r\n',weights)'''##第一次卷积'''
# ZeroPadding2D 的作用：对2D输入（如图片）的边界填充0，以控制卷积以后特征图的大小
# “channels_last”对应原本的“tf”，“channels_first”对应原本的“th”
#        ‘channels_first’模式下，形如（samples，channels，first_axis_to_pad，second_axis_to_pad）的4D张量
#        ‘channels_last’模式下，形如（samples，first_axis_to_pad，second_axis_to_pad, channels）的4D张量
strFormat = 'channels_first'  # 这里应该是因为data的初始化维度用的th
model.add(ZeroPadding2D(padding=(0,0), data_format = strFormat, batch_input_shape=(1,imgChl, img_width, img_height)))
#  filters：卷积核的数目（即输出的维度）  ### 是该卷积层输出的厚度，而不是输入图像的通道数*卷积核数。 一定要与图像处理区分开
#  kernel_size：整数或由单个整数构成的list/tuple，卷积核的空域或时域窗长度
#  strides：整数或由单个整数构成的list/tuple，为卷积的步长。任何不为1的strides均与任何不为1的dilation_rate均不兼容
#  padding：补0策略，为“valid”(缩小), “same” 或“causal”(膨胀) 缩小或膨胀卷积核的一半
#  activation：激活函数 卷积激活常用的是'relu' 参考 http://keras-cn.readthedocs.io/en/latest/other/activations/
model.add(Convolution2D(filters=2,kernel_size=(3,3),strides=(1,1), padding='same', activation='relu', name='conv1_1', data_format = strFormat))
model.set_weights(weights)  # 这相当于设置了卷积核# 显示权重结构
# w = model.layers[1].get_weights() #返回该层的权重
# print('weight:\r\n', w)'''##第二次卷积（这是继续卷积的实现。为了看提取边缘的效果，所以先注释了）'''
# model.add(ZeroPadding2D((0, 0)))
# model.add(Convolution2D(filters=2,kernel_size=(3,3),strides=(1,1), activation='relu', name='conv1_2',data_format = strFormat))
# w = model.layers[3].get_weights() #返回该层的权重
# print('weight:\r\n', w)
# model.set_weights(weights)##池化操作
model.add(ZeroPadding2D((0, 0)))
model.add(MaxPooling2D(pool_size=(2,2), strides=None, data_format = strFormat))'''第3步：设置优化参数，编译网络(本例中并没有训练)'''
# 优化函数，设定学习率（lr）等参数
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
# 使用mse作为loss函数
model.compile(loss='mse', optimizer=sgd) #class_mode='categorical''''第4步：执行结果'''
'''这里只进行了卷积/池化，并没有分类等'''print('data-shape = ', data.shape)
result = model.predict(data,batch_size=3,verbose=0)
print('result shape = ', result.shape)'''显示图片，卷积的结果'''
fig = plt.figure()
img_new1 = Image.fromarray(result[0][0]).convert('L')
print(img_new1.size)
ax0 = fig.add_subplot(121)
ax0.imshow(img_new1)img_new2 = Image.fromarray(result[0][1]).convert('L')
print(img_new2.size)
ax0 = fig.add_subplot(122)
ax0.imshow(img_new2)
plt.show()

这篇关于Keras入门之二：Hello Keras on CNN with Lena的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---