深度学习实战4-卷积神经网络（DenseNet）数学图形识别+题目模式识别

文章目录

一、前期工作

导入库
数据集加载
二、构建CNN模型
三、训练过程曲线函数
四、训练模型函数
五、训练模型与结果
六、验证

大家好，今天给大家带来一个卷积神经网络（CNN）数学图形识别项目(简单入门版)，这个是人工智能解题的基础，机器首先通过题目识别出题目中的文字和图形，读懂题目的含义，这个是个相对复杂的过程。就在今年的1月4日，麻省理工学院等四所高校的联合研究团队，发布了一项最新研究成果：他们开发了一个神经网络，可以解答出微积分、线性代数等大学数学题。不管是要求计算数值，还是写方程式，或者画出函数图形，都能轻易解答，正确率达到了100%。要知道，在短短几个月前，人工智能解答类似的题，最高正确率不到10%。
解数学题不是直接算公式，而是需要你去理解文字，此外，有的题还需要联系上下文，并且包括了一些隐含条件。比如，一道概率论的题目，问：“在扑克游戏中，拿到两副对子的概率是多少？”这道题在人看来很清楚，但是对于计算机来说，其实是有很多隐含条件的。比如，一副扑克有54张牌、4种花色+两张鬼牌等等。人工智能不知道这些隐含条件，就没法算题。

一、前期工作

1.导入库

import tensorflow as tf
# from keras import keras.layers
import matplotlib.pyplot as plt
from time import *
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,MaxPooling2D,Flatten,Conv2D,experimental

2. 数据集加载

data_dir = "./data/图形识别训练"batch_size = 12
img_height = 224
img_width = 224train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=12,image_size=(img_height, img_width),batch_size=batch_size)

二、构建DenseNet模型

model = tf.keras.applications.DenseNet121(weights='imagenet')
model.summary()# 设置初始学习率
initial_learning_rate = 1e-3lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate,decay_steps=5,      # 敲黑板！！！这里是指 steps，不是指epochsdecay_rate=0.96,     # lr经过一次衰减就会变成 decay_rate*lrstaircase=True)# 将指数衰减学习率送入优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)
model.compile(optimizer=optimizer,loss     ='sparse_categorical_crossentropy',metrics  =['accuracy'])

三、训练过程的曲线函数

def show_loss_acc(history):# 从history中提取模型训练集和验证集准确率信息和误差信息acc = history.history['accuracy']val_acc = history.history['val_accuracy']loss = history.history['loss']val_loss = history.history['val_loss']# 按照上下结构将图画输出plt.figure(figsize=(8, 8))plt.subplot(2, 1, 1)plt.plot(acc, label='Training Accuracy')plt.plot(val_acc, label='Validation Accuracy')plt.legend(loc='lower right')plt.ylabel('Accuracy')plt.ylim([min(plt.ylim()), 1])plt.title('Training and Validation Accuracy')plt.subplot(2, 1, 2)plt.plot(loss, label='Training Loss')plt.plot(val_loss, label='Validation Loss')plt.legend(loc='upper right')plt.ylabel('Cross Entropy')plt.title('Training and Validation Loss')plt.xlabel('epoch')plt.savefig('results/results_cnn.png', dpi=100)plt.show()

四、训练模型函数

def train(epochs):# 开始训练，记录开始时间begin_time = time()AUTOTUNE = tf.data.AUTOTUNEtrain_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)# print(class_names)# 加载模型# model = model_load(class_num=len(class_names))# 指明训练的轮数epoch，开始训练history = model.fit(train_ds,validation_data=val_ds,epochs=epochs)# todo 保存模型， 修改为你要保存的模型的名称model.save("models/cnn_fv.h5")# 记录结束时间end_time = time()run_time = end_time - begin_timeprint('该循环程序运行时间：', run_time, "s")  # 该循环程序运行时间： 1.4201874732# 绘制模型训练过程图show_loss_acc(history)

图形识别训练数集里面共有4类：circular(圆形),parabola(抛物线),square(正方形)，triangle(三角形)
在这里插入图片描述 triangle(三角形)
square(正方形)

五、训练模型与结果

train(epochs=6)   #训练6次41/41 [==============================] - 218s 5s/step - loss: 1.5289 - accuracy: 0.7224 - val_loss: 21.6089 - val_accuracy: 0.0410
Epoch 2/6
41/41 [==============================] - 206s 5s/step - loss: 0.2921 - accuracy: 0.9204 - val_loss: 4.2023 - val_accuracy: 0.6393
Epoch 3/6
41/41 [==============================] - 210s 5s/step - loss: 0.0962 - accuracy: 0.9673 - val_loss: 0.4482 - val_accuracy: 0.9180
Epoch 4/6
41/41 [==============================] - 209s 5s/step - loss: 0.0406 - accuracy: 0.9898 - val_loss: 0.0980 - val_accuracy: 0.9672
Epoch 5/6
41/41 [==============================] - 205s 5s/step - loss: 0.0149 - accuracy: 1.0000 - val_loss: 0.0269 - val_accuracy: 0.9918
Epoch 6/6
41/41 [==============================] - 220s 5s/step - loss: 0.0061 - accuracy: 1.0000 - val_loss: 0.0220 - val_accuracy: 0.9918
该循环程序运行时间： 1269.1464262008667 s

测试和验证结果准确率图：
在这里插入图片描述
迭代6次后，训练集准确率高达100%，验证集准确率高达99.18%