在今天的文章中，我们将使用 TensorFlow 构建卷积神经网络 （CNN）。本文假设您已经熟悉 CNN 的内部运作和数学基础。我们在这里只关注实施，因此先验知识将帮助您更轻松地进行操作。
我们将创建相同的简单图像分类器，用于预测给定图像是否为「X」。
我们将在此过程中详细分解每个步骤，以确保您了解如何以及为什么！
步骤 1：导入必要的库
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（这是 TensorFlow 中的一个高级 API）将处理我们的 CNN 的创建和训练，而 NumPy 和 Matplotlib 将帮助我们进行数据操作和可视化。
注意：为了确保每次运行代码时的结果都是一致的，我们将设置一个随机种子：
# Setting seed for reproducibilitynp.random.seed(42)tf.random.set_seed(42)
设置种子可以确保代码中的随机进程每次都以相同的方式运行，从而确保结果的一致性。把它想象成每次我们玩时以完全相同的顺序洗牌。
第 2 步：了解和生成数据
让我们首先生成我们的模型将学习分类的图像。之前我们看到「X」可以用 5x5 像素的图像表示，如下所示：
让我们将其转换为代码：
# '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] ])
此函数生成「X」的简单 5x5 图像。接下来，我们将创建一个函数，该函数生成不类似于「X」的随机 5x5 图像：
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
步骤 3：构建数据集
准备好我们的函数后，我们现在可以创建一个包含 1,000 张图像的数据集。我们将相应地标记它们，1 表示「X」的图像，0 表示不是「X」的图像：
# 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)
此代码生成 1,000 张图像，其中一半包含「X」，另一半则不包含。然后，我们重塑图像，以确保它们具有适合我们 CNN 的正确尺寸。
为了有效地训练我们的模型，我们将此数据集分为训练集和测试集：
# 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)
这种拆分保留了 80% 的数据用于训练模型，20% 的数据用于测试模型。测试集帮助我们评估模型在新的、看不见的数据上的表现。
在我们深入研究模型构建之前，让我们看一下数据集中的一些图像，以了解我们正在处理的内容。
# 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()
此函数显示来自我们训练集的图像，帮助我们确认数据已正确标记和格式化。
# Display first 5 samples of our training datadisplay_sample_data(x_train, y_train)
第 4 步：构建 CNN 模型
现在我们的数据已经准备好了，让我们来构建CNN！下面是我们之前使用的架构：
1 — 卷积层 ：对输入图像应用四个 3x3 滤镜以检测特征并创建四个特征图
2 — 最大池化层 ：减小特征图的维度，使模型更高效
3 — 展平层 ：将 2D 数据转换为 1D 数组，为神经网络做好准备
4 — 隐藏层 ：一个完全连接的隐藏层，有三个神经元，都具有ReLU激活功能
5 — 输出层 ：具有sigmoid激活功能的单个神经元
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')])
步骤 5：编译模型
编译模型至关重要，因为它定义了模型的学习方式。以下是编译函数的每个部分的作用：
- 优化器 （Adam） ：优化器调整模型的权重以最小化损失函数。我们使用 亚当 在这里，但是这是一个列表可以使用的其他优化器。
- 损失函数（二元交叉熵） ：衡量模型的预测与实际结果之间的差距。由于我们正在处理二元分类（X 或非 X）， 二元交叉熵 是合适的。损失值是模型在训练过程中尝试最小化的值。损失值越低表示性能越好（即，模型的预测更接近实际值）。损失直接影响模型的训练方式，优化器使用它来更新模型的权重，使其在最小化损失的方向上。
- 指标（准确性） ：指标用于评估模型的性能。我们使用 准确性 跟踪正确预测在所有预测中所占的比例。 指标是评估模型性能的附加度量，但优化器在训练期间不会使用它们来调整模型 .它们提供了一种评估模型性能的方法。
注意 虽然准确性是一个常见的指标，但它并不总是最可靠的，尤其是在数据集不平衡等某些情况下。但是，为简单起见，我们将在此处使用它。如果您有兴趣探索其他评估指标，这些指标可能会提供更细致的模型性能视图，那么品涵盖了一些替代方案。
model.compile(optimizer=Adam(), loss='binary_crossentropy', metrics=['accuracy'])
步骤 6：训练模型
训练模型涉及多次（纪元）向其提供训练数据，以便它可以学习做出更好的预测。一个时期是整个训练数据集的一次完整传递。我们将训练 10 个时期的模型：
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
步骤 7：评估模型
训练后，我们在测试数据上评估模型的性能：
loss, accuracy = model.evaluate(x_test, y_test)print(f'Test Accuracy: {accuracy * 100:.2f}%')
准确度指标告诉我们，测试数据中 94.8% 的图像被正确分类。
第 8 步：可视化训练过程
最后，让我们直观地了解模型的精度在各个时期是如何变化的。这有助于我们了解模型在训练期间的学习情况：
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()
就是这样。我们已经构建了一个简单的卷积神经网络，可以在不到 5 分钟的时间内使用 TensorFlow 预测图像是否为「X」！
参考：
https://towardsdatascience.com/implementing-convolutional-neural-networks-in-tensorflow-bc1c4f00bd34
