上接分類2.
from keras import optimizers
model.compile(loss='binary_crossentropy',
optimizer=optimizers.rmsprop(lr=1e-4),
metrics=['acc'])
同樣，我們的下一步就是來做資料的處理。
from keras.preprocessing.image import imagedatagenerator
train_datagen = imagedatagenerator(rescale=1./255)
test_datagen = imagedatagenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(150, 150),
batch_size=20,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_dir,
target_size=(150, 150),
batch_size=20,
class_mode='binary')
generator的含義是生成器，這個生成的物件可以用for in語句來一起使用。
接下來要做的工作就是利用生成器的加工後資料完成模型的擬合了。
history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=30,
validation_data=validation_generator,
validation_steps=50)
最後一步就是直觀的把圖畫出來。
可以看到訓練的結果不盡如人意，精度也就70左右，還面領著過擬合的問題。餘下的後面再分析。
深度學習（二 卷積神經網路）
主要層結構 卷積層 池化層 全連線層。神經元個數 乙個卷積層的輸出是20 20 32，則神經元的個數為 20 20 32 12800 濾波器視窗大小 3 3,輸入的資料體深度10，則每個神經元有 3 3 10 900引數 總的引數 12800 900 11520000個引數 引數共享 32個濾波器，...
deeplearning系列（六）卷積神經網路
在上一節中實現了乙個簡單的深度神經網路模型，模型的輸入層和第乙個隱藏層包含神經元的數量分別是 28 28和200。神經元的數量相對較少，因此，採用了全連線的設計。然而，在實際視覺應用中，輸入通常是更大尺度的rgb影象，比如96 96 3，若在第乙個隱藏層中學習特徵的數量也是200的話，需要學習引數的...
深度學習筆記整理（三） 卷積神經網路
由負責對比度提取的g層，負責圖形特徵提取的s細胞層和抗變形的c細胞層交替排列組成。基於人類視覺皮層感受野的結構得到的模型，由輸入層 卷積層 池化層 全連線層 輸出層組成，接下來分別具體介紹不同層。卷積的本質 如果全部都是全連線層，引數太多，無法調整，無法實現，因此改用卷積核，共享引數，減少參數量。卷...