[转载]keras使用入门及3D卷积神经网络资源

[转]keras使用入门及3D神经网络资源

原文链接 https://blog.csdn.net/lengxiaomo123/article/details/68926778

keras使用入门及3D卷积神经网络资源

keras模型

Sequential模型
泛型模型

Sequential是多个网络层的线性堆叠。

以通过向Sequential模型传递一个layer的list来构造该模型

Sequential模型方法

compile
fit
evaluate
predict

简单的keras代码演示：

from keras.layers import Dense,Activation

from keras.models import Sequential

model = Sequential([Dense(10,input_dim=784),

Activation('relu'),

Dense(10),

Activation('relu'),

Dense(1),])

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',

metrics=['accuracy'])

compile

目标函数objectives（目标函数，或称损失函数，是编译一个模型必须的两个参数之一）

model.compile(loss='mean_squared_error', optimizer='sgd')

以下是一些预定义的loss function

优化器optimizers （优化器是编译Keras模型必要的两个参数之一）

可以在调用model.compile()之前初始化一个优化器对象，然后传入该函数（如上所示），也可以在调用model.compile()时传递一个预定义优化器名。在后者情形下，优化器的参数将使用默认值。

optimizers

SGD
RMSprop
Adadelta

观察一下个optimizer的效果（像小球在等高线上滚落至最低点）

Merge

多个Sequential可经由一个Merge层合并到一个输出。Merge层的输出是一个可以被添加到新 Sequential的层对象。下面这个例子将两个Sequential合并到一起

支持一些预定义的合并模式：

泛型模型

Keras的泛型模型为Model，即广义的拥有输入和输出的模型，我们使用Model来初始化一个泛型模型。所有输入是张量，输出是张量的计算图就是keras模型，用于构建自建的复杂网络层序关系。

常用层

Dense
Activation
Dropout
Flatten

Dense（全连接层）

Activation **层对一个层的输出施加**函数

keras.layers.core.Activation(activation) ；activation：将要使用的**函数，为预定义**函数名或一个Tensorflow/Theano的函数。

、

y=max(0,x) relu是目前比较流行的**函数

Dropout

为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（p）的输入神经元连接，Dropout层用于防止过拟合。

keras.layers.core.Dropout(p) ；p：0~1的浮点数，控制需要断开的链接的比例。

Flatten

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

keras.layers.core.Flatten()

看下图中的「展开」

卷积层

Convolution2D层
Convolution3D层

Convolution2D层

二维卷积层对二维输入进行滑动窗卷积，当使用该层作为第一层时，应提供input_shape参数。例如input_shape = (3,128,128)代表128*128的彩色RGB图像。

Convolution3D层

三维卷积对三维的输入进行滑动窗卷积，当使用该层作为第一层时，应提供input_shape参数。例如input_shape = (3,10,128,128)代表对10帧128*128的彩色RGB图像进行卷积。

池化层

MaxPooling2D层
MaxPooling3D层
AveragePooling2D层
AveragePooling3D层

递归层Recurrent

使用它的子类LSTM或SimpleRNN

3D卷积神经网络实现代码git资源

https://github.com/Ectsang/3D-CNN-Keras/blob/master/3d-cnn-action-recog-keras.py

例子数据源

http://www.nada.kth.se/cvap/actions/

实战（实验一下论文里的部分代码）

上图是一个多视图的3D卷积神经网络，我们只用keras简单搭建一个网络骨架

model = Sequential()

# 160*100*22

model.add(Convolution3D(

10,

kernel_dim1=9, # depth

kernel_dim2=9, # rows

kernel_dim3=9, # cols

input_shape=(3,160,100,22),

activation='relu'

))# now 152*92*14

model.add(MaxPooling2D(

pool_size=(2,2)

))# now 76*46*14

model.add(Convolution3D(

30,

kernel_dim1=7, # depth

kernel_dim2=9, # rows

kernel_dim3=9, # cols

activation='relu'

))# now 68*38*8

model.add(MaxPooling2D(

pool_size=(2,2)

))# now 34*19*8

model.add(Convolution3D(

50,

kernel_dim1=5, # depth

kernel_dim2=9, # rows

kernel_dim3=8, # cols

activation='relu'

))# now 26*12*4

model.add(MaxPooling2D(

pool_size=(2,2)

))# now 13*6*4

model.add(Convolution3D(

150,

kernel_dim1=3, # depth

kernel_dim2=4, # rows

kernel_dim3=3, # cols

activation='relu'

))# now 10*4*2

model.add(MaxPooling2D(

pool_size=(2,2)

))# now 5*2*2

model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(1500,activation='relu'))

model.add(Dense(750,activation='relu'))

model.add(Dense(num,activation='softmax')) #classification

# Compile

model.compile(loss='categorical_crossentropy', optimizer='RMSprop', metrics=['accuracy'])