我正在学习手写体文本识别教程。为了进行手写体数字识别,作者构造了一个Keras模型如下:
# # Creating CNN model
input_shape = (28,28,1)
number_of_classes = 10
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(number_of_classes, activation='softmax'))
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),metrics=['accuracy'])
model.summary()
history = model.fit(X_train, y_train,epochs=5, shuffle=True,
batch_size = 200,validation_data= (X_test, y_test))
model.save('digit_classifier2.h5')源(这里)
我很困惑作者是如何选择这些层次的。我知道Conv2D是如何通过对图像应用过滤器来工作的,我知道什么是activation function。总之,我对每个术语的含义都有大致的理解。
我发现困难的是如何知道这段代码的每一步都发生了什么?例如,让我们使用以下python代码:
values_List=[11,34,43]
for index, num in enumerate(values_List):
print(index,num)这个python代码很容易理解和调试。但我感到困惑的是,在角化层中是否有任何错误。如何继续调试这个Keras代码?
发布于 2019-11-08 08:19:55
层选择:我认为这是一个需要专业知识和经验的问题。一般情况下,神经网络仍然被认为是一种黑箱算法.据我所知,我们试图做的是在以前发现的基础上改进模型,而这些发现实际上适用于我们的案例。基本上,当您对各种模型更加熟悉时,您可能会了解哪些是有效的,哪些是不工作的,并且您将在此基础上改进您的模型。例如,您可能希望查看最近的一篇论文,例如效率网,这是一个非常轻巧但功能强大的图像分类模型。他们结合了技术和想法,人们已经证明了以前的工作,我们有这个惊人的模式。至于像上面这样的简单模型,参数搜索就足够了。您还可以考虑使用自动化方法,如自动角,这是一种更复杂的方法。
调试:我相信您正在寻找的工具是模型摘要和可视化https://keras.io/visualization/。第一个很简单,您只需简单地调用model.summary(),我相信您已经在代码中使用了它,这将得到模型的总结,如果您已经了解了某些CNN构建块是如何工作的,您应该已经知道了形状是如何变化的,因此您可以据此判断它是否满足您的期望。至于您的模型,它仍然相当容易调试,因为它是连续的,而且我相信我前面提到的要点已经足够了。
https://datascience.stackexchange.com/questions/62864
复制相似问题