在今天的文章中，我們將使用 TensorFlow 構建摺積神經網路 （CNN）。本文假設您已經熟悉 CNN 的內部運作和數學基礎。我們在這裏只關註實施，因此先驗知識將幫助您更輕松地進行操作。
我們將建立相同的簡單影像分類器，用於預測給定影像是否為「X」。
我們將在此過程中詳細分解每個步驟，以確保您了解如何以及為什麽！
步驟 1：匯入必要的庫
import tensorflow as tffrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Densefrom tensorflow.keras.optimizers import Adamimport numpy as npimport matplotlib.pyplot as plt
TensorFlow 和 Keras（這是 TensorFlow 中的一個高級 API）將處理我們的 CNN 的建立和訓練，而 NumPy 和 Matplotlib 將幫助我們進行數據操作和視覺化。
註意：為了確保每次執行程式碼時的結果都是一致的，我們將設定一個隨機種子：
# Setting seed for reproducibilitynp.random.seed(42)tf.random.set_seed(42)
設定種子可以確保程式碼中的隨機行程每次都以相同的方式執行，從而確保結果的一致性。把它想象成每次我們玩時以完全相同的順序洗牌。
第 2 步：了解和生成數據
讓我們首先生成我們的模型將學習分類的影像。之前我們看到「X」可以用 5x5 像素的影像表示，如下所示：
讓我們將其轉換為程式碼：
# 'X' patterndef generate_x_image(): return np.array([ [1, 0, 0, 0, 1], [0, 1, 0, 1, 0], [0, 0, 1, 0, 0], [0, 1, 0, 1, 0], [1, 0, 0, 0, 1] ])
此函式生成「X」的簡單 5x5 影像。接下來，我們將建立一個函式，該函式生成不類似於「X」的隨機 5x5 影像：
def generate_not_x_image(): # Ensuring not to generate an 'X' pattern while True: img = np.random.randint(2, size=(5, 5)) if not np.array_equal(img, generate_x_image()): return img
步驟 3：構建數據集
準備好我們的函式後，我們現在可以建立一個包含 1,000 張影像的數據集。我們將相應地標記它們，1 表示「X」的影像，0 表示不是「X」的影像：
# Create a datasetnum_samples = 1000images = []labels = []for _ in range(num_samples): if np.random.rand() > 0.5: images.append(generate_x_image()) labels.append(1) else: images.append(generate_not_x_image()) labels.append(0)images = np.array(images).reshape(-1, 5, 5, 1)labels = np.array(labels)
此程式碼生成 1,000 張影像，其中一半包含「X」，另一半則不包含。然後，我們重塑影像，以確保它們具有適合我們 CNN 的正確尺寸。
為了有效地訓練我們的模型，我們將此數據集分為訓練集和測試集：
# Split the data into training and testing setsfrom sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = train_test_split(images, labels, test_size=0.2, random_state=42)
這種拆分保留了 80% 的數據用於訓練模型，20% 的數據用於測試模型。測試集幫助我們評估模型在新的、看不見的數據上的表現。
在我們深入研究模型構建之前，讓我們看一下數據集中的一些影像，以了解我們正在處理的內容。
# Function to display imagesdef display_sample_data(images, labels, num_samples=5): plt.figure(figsize=(10, 2)) for i in range(num_samples): ax = plt.subplot(1, num_samples, i + 1) plt.imshow(images[i].reshape(5, 5), cmap='gray_r') plt.title(f'Label: {labels[i]}') plt.axis('off') plt.show()
此函式顯示來自我們訓練集的影像，幫助我們確認數據已正確標記和格式化。
# Display first 5 samples of our training datadisplay_sample_data(x_train, y_train)
第 4 步：構建 CNN 模型
現在我們的數據已經準備好了，讓我們來構建CNN！下面是我們之前使用的架構：
1 — 摺積層 ：對輸入影像套用四個 3x3 濾鏡以檢測特征並建立四個特征圖
2 — 最大池化層 ：減小特征圖的維度，使模型更高效
3 — 展平層 ：將 2D 數據轉換為 1D 陣列，為神經網路做好準備
4 — 隱藏層 ：一個完全連線的隱藏層，有三個神經元，都具有ReLU啟用功能
5 — 輸出層 ：具有sigmoid啟用功能的單個神經元
model = Sequential([ # 1 - Convolutional Layer Conv2D(4, (3, 3), activation='relu', input_shape=(5, 5, 1)), # 2 - Max-Pooling Layer MaxPooling2D(pool_size=(2, 2)), # 3 - Flatten Layer Flatten(), # 4 - Hidden Layer Dense(3, activation='relu'), # 5 - Output Layer Dense(1, activation='sigmoid')])
步驟 5：編譯模型
編譯模型至關重要，因為它定義了模型的學習方式。以下是編譯函式的每個部份的作用：
- 最佳化器 （Adam） ：最佳化器調整模型的權重以最小化損失函式。我們使用 亞當 在這裏，但是這是一個列表可以使用的其他最佳化器。
- 損失函式（二元交叉熵） ：衡量模型的預測與實際結果之間的差距。由於我們正在處理二元分類（X 或非 X）， 二元交叉熵 是合適的。損失值是模型在訓練過程中嘗試最小化的值。損失值越低表示效能越好（即，模型的預測更接近實際值）。損失直接影響模型的訓練方式，最佳化器使用它來更新模型的權重，使其在最小化損失的方向上。
- 指標（準確性） ：指標用於評估模型的效能。我們使用 準確性 跟蹤正確預測在所有預測中所占的比例。 指標是評估模型效能的附加度量，但最佳化器在訓練期間不會使用它們來調整模型 .它們提供了一種評估模型效能的方法。
註意 雖然準確性是一個常見的指標，但它並不總是最可靠的，尤其是在數據集不平衡等某些情況下。但是，為簡單起見，我們將在此處使用它。如果您有興趣探索其他評估指標，這些指標可能會提供更細致的模型效能檢視，那麽品涵蓋了一些替代方案。
model.compile(optimizer=Adam(), loss='binary_crossentropy', metrics=['accuracy'])
步驟 6：訓練模型
訓練模型涉及多次（紀元）向其提供訓練數據，以便它可以學習做出更好的預測。一個時期是整個訓練數據集的一次完整傳遞。我們將訓練 10 個時期的模型：
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
步驟 7：評估模型
訓練後，我們在測試數據上評估模型的效能：
loss, accuracy = model.evaluate(x_test, y_test)print(f'Test Accuracy: {accuracy * 100:.2f}%')
準確度指標告訴我們，測試數據中 94.8% 的影像被正確分類。
第 8 步：視覺化訓練過程
最後，讓我們直觀地了解模型的精度在各個時期是如何變化的。這有助於我們了解模型在訓練期間的學習情況：
plt.plot(history.history['accuracy'], label='accuracy')plt.plot(history.history['val_accuracy'], label='val_accuracy')plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.legend()plt.show()
就是這樣。我們已經構建了一個簡單的摺積神經網路，可以在不到 5 分鐘的時間內使用 TensorFlow 預測影像是否為「X」！
參考：
https://towardsdatascience.com/implementing-convolutional-neural-networks-in-tensorflow-bc1c4f00bd34
