版权声明：小博主水平有限，希望大家多多指导。
目录：
【使用传统DNN】
BG大龍：【DL项目实战02】图像分类——Keras框架+使用传统神经网络DNNzhuanlan.zhihu.com
【使用卷积神经网络CNN】
BG大龍：【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）zhuanlan.zhihu.com1、数据集情况
2、任务目标
3、流程中的注意点
（1）读取数据
（2）建立CNN（选用VGGNet）
——【第1部分】Conv2D层中，确定data_format类型
——【第2部分】特征提取：（卷积+池化）
——【第3部分】分类识别：（全连接）
（3）设定超参
（4）定义损失函数
（5）训练模型
（6）结果
4、对比实验
（1）第1个对比：添加Batch Normalization（BN，批量标准化层）
（2）第2个对比：添加Truncated Normal（TN，截断分布）
（3）第3个对比：添加Dropout
5、加载模型，进行测试
1、数据集情况
2、任务目标
当输入“image”时候，能否正确识别，识别的acc是多少
3、流程中的注意点
（1）读取数据
DNN结构：
CNN结构：
正常CNN输入是224244
3，这里进行缩小成64
64
3，为了提高计算速度
（2）建立CNN（选用VGGNet）
把网络模型单独写成一个模块，然后直接去调用simpleVGGNet
在simpleVGGNet模块里面，三部分工作
【第1部分】Conv2D层中，确定data_format类型
（data_format='channels_last'）—input_shape = (128,128,3)代表128*128的RGB图像
（data_format='channels_first'）—input_shape = (3,128,128)代表128*128的RGB图像
keras使用tensorflow作为Backend时，格式是（data_format='channels_first'）
或者我们定义一个判断语句：
【第2部分】特征提取：（卷积+池化）
（1）32—64—128：为了降低pooling压缩带来的损失影响，filter个数逐步翻倍
（2）padding：补0策略，为“valid”, “same”
“valid”代表只进行有效的卷积，即对边界数据不处理。
“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
API文档： 卷积层 - Keras中文文档
（3）凡是计算层后面，都要加上激活函数
【第3部分】分类识别：（全连接）
FC层：
激活函数softmax：
（3）设定超参
（4）定义损失函数
这里，有一个学习率的衰减，decay=INIT_LR / EPOCHS
看下API文档，
（5）训练模型
steps_per_epoch=len(trainX) // BS
它表示是将一个epoch分成多少个batch_size，
如果训练样本数N=1000，steps_per_epoch = 10，那么相当于一个batch_size=100
（6）结果
观察val_loss，
4、对比实验
（1）第1个对比：添加Batch Normalization（BN，批量标准化层）
API文档：（批）规范化BatchNormalization - Keras中文文档
axis：整数，指定当mode=0时规范化的轴。例如输入是形如（samples，channels，rows，cols）的4D图像张量，则应设置规范化的轴为1，意味着对每个特征图进行规范化
NN结构：
在每一个“relu”后，添加BN
例如：
结果：
但是Loss为什么这么大？
猜测是“随机初始化”的原因，我又重新运行了一次
BN添加前后对比：
更加稳定，提高了val_acc，
（2）第2个对比：添加Truncated Normal（TN，截断分布）
API文档： 初始化方法 - Keras中文文档
NN结构：
在每个卷积层里面，添加kernel_initializer=TruncatedNormal()，stddev=0.01
例如：
结果：
TN添加前后对比：
有的参数添加后，不一定好
（3）第3个对比：添加Dropout
API文档： 常用层 - Keras中文文档
NN结构：
有个疑问：在卷积层中，已经是“权重参数共享”，连接的参数本来就不多，再进行Dropout，岂不是更少？（所以一般在Dense层在dropout？）
结果：
Dropout添加前后对比：
更加平稳，但是loss老是跑的比较高……
5、加载模型，进行测试
用“image”文件夹，去做预测
CNN结果：
对比DNN结果：
