版權聲明：小博主水平有限，希望大家多多指導。
目錄：
【使用傳統DNN】
BG大龍：【DL項目實戰02】圖像分類——Keras框架+使用傳統神經網絡DNN?zhuanlan.zhihu.com
【使用卷積神經網絡CNN】
BG大龍：【DL項目實戰02】圖像識別分類——Keras框架+卷積神經網絡CNN（使用VGGNet）?zhuanlan.zhihu.com1、數據集情況
2、任務目標
3、流程中的注意點
（1）讀取數據
（2）建立CNN（選用VGGNet）
——【第1部分】Conv2D層中，確定data_format類型
——【第2部分】特征提取：（卷積+池化）
——【第3部分】分類識別：（全連接）
（3）設定超參
（4）定義損失函數
（5）訓練模型
（6）結果
4、對比實驗
（1）第1個對比：添加Batch Normalization（BN，批量標準化層）
（2）第2個對比：添加Truncated Normal（TN，截斷分布）
（3）第3個對比：添加Dropout
5、加載模型，進行測試
1、數據集情況
2、任務目標
當輸入“image”時候，能否正確識別，識別的acc是多少
3、流程中的注意點
（1）讀取數據
DNN結構：
CNN結構：
正常CNN輸入是224244
3，這里進行縮小成64
64
3，為了提高計算速度
（2）建立CNN（選用VGGNet）
把網絡模型單獨寫成一個模塊，然后直接去調用simpleVGGNet
在simpleVGGNet模塊里面，三部分工作
【第1部分】Conv2D層中，確定data_format類型
（data_format='channels_last'）—input_shape = (128,128,3)代表128*128的RGB圖像
（data_format='channels_first'）—input_shape = (3,128,128)代表128*128的RGB圖像
keras使用tensorflow作為Backend時，格式是（data_format='channels_first'）
或者我們定義一個判斷語句：
【第2部分】特征提取：（卷積+池化）
（1）32—64—128：為了降低pooling壓縮帶來的損失影響，filter個數逐步翻倍
（2）padding：補0策略，為“valid”, “same”
“valid”代表只進行有效的卷積，即對邊界數據不處理。
“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。
API文檔： 卷積層 - Keras中文文檔
（3）凡是計算層后面，都要加上激活函數
【第3部分】分類識別：（全連接）
FC層：
激活函數softmax：
（3）設定超參
（4）定義損失函數
這里，有一個學習率的衰減，decay=INIT_LR / EPOCHS
看下API文檔，
（5）訓練模型
steps_per_epoch=len(trainX) // BS
它表示是將一個epoch分成多少個batch_size，
如果訓練樣本數N=1000，steps_per_epoch = 10，那么相當于一個batch_size=100
（6）結果
觀察val_loss，
4、對比實驗
（1）第1個對比：添加Batch Normalization（BN，批量標準化層）
API文檔：（批）規范化BatchNormalization - Keras中文文檔
axis：整數，指定當mode=0時規范化的軸。例如輸入是形如（samples，channels，rows，cols）的4D圖像張量，則應設置規范化的軸為1，意味著對每個特征圖進行規范化
NN結構：
在每一個“relu”后，添加BN
例如：
結果：
但是Loss為什么這么大？
猜測是“隨機初始化”的原因，我又重新運行了一次
BN添加前后對比：
更加穩定，提高了val_acc，
（2）第2個對比：添加Truncated Normal（TN，截斷分布）
API文檔： 初始化方法 - Keras中文文檔
NN結構：
在每個卷積層里面，添加kernel_initializer=TruncatedNormal()，stddev=0.01
例如：
結果：
TN添加前后對比：
有的參數添加后，不一定好
（3）第3個對比：添加Dropout
API文檔： 常用層 - Keras中文文檔
NN結構：
有個疑問：在卷積層中，已經是“權重參數共享”，連接的參數本來就不多，再進行Dropout，豈不是更少？（所以一般在Dense層在dropout？）
結果：
Dropout添加前后對比：
更加平穩，但是loss老是跑的比較高……
5、加載模型，進行測試
用“image”文件夾，去做預測
CNN結果：
對比DNN結果：
