原文链接：http://tecdat.cn/?p=24386
本文演示了训练一个简略的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。因为本教程应用 Keras Sequential API，因而创立和训练咱们的模型只需几行代码。
设置
library(keras)下载并筹备 CIFAR10 数据集
CIFAR10 数据集蕴含 10 个类别的 60,000 张彩色图像，每个类别有 6,000 张图像。数据集分为 50,000 张训练图像和 10,000 张测试图像。这些类是互斥的，它们之间没有重叠。
验证数据
为了验证数据集看起来是否正确，让咱们绘制训练集中的前 25 张图像并在每张图像下方显示类别名称。
train %>%
map(as.rater, max = 255) %>%
创立卷积基
上面的 6 行代码应用一种常见的模式定义了卷积根底：Conv2D 和 MaxPooling2D 层的重叠。
作为输出，CNN 承受形态的张量（image\_height, image\_width, color\_channels），疏忽了批次大小。如果你是第一次接触这些维度，color\_channels 指的是（R,G,B）。在这个例子中，你将配置咱们的 CNN 来解决形态为（32，32，3）的输出，这是 CIFAR 图像的格局。你能够通过将参数 input_shape 传递给咱们的第一层来做到这一点。
kers\_moe\_etl %>%
laer\_c\_2d(fles = 32, ene_sz = c(3,3), acan = "relu",
lye\_apoi\_2d(posize = c(2,2)) %>%
lae\_cv\_2d(filrs = 64, relze = c(3,3), ctitio = "reu")到目前为止，让咱们展现一下咱们模型的架构。
summary(model)
在下面，你能够看到每个 Conv2D 和 MaxPooling2D 层的输入是一个三维形态的张量（高度、宽度、通道）。当你深刻到网络中时，宽度和高度维度往往会放大。每个 Conv2D 层的输入通道的数量由第一个参数管制（例如 32 或 64）。通常状况下，随着宽度和高度的放大，你能够接受（计算上）在每个 Conv2D 层中减少更多的输入通道。
在顶部增加密集层
为了实现咱们的模型，您须要将卷积基（形态为 (3, 3, 64)）的最初一个输入张量输出一个或多个 Dense 层以执行分类。密集层将向量作为输出（1D），而以后输入是 3D 张量。首先，您将 3D 输入展平（或开展）为 1D，而后在顶部增加一个或多个 Dense 层。CIFAR 有 10 个输入类，因而您应用具备 10 个输入和 softmax 激活的最终 Dense 层。
model %>%
leree(unis = 64, aciaion = "relu") %>%
ayedese(unis = 10, acivin = "sftax")这是咱们模型的残缺架构。
留神 Keras 模型是可变对象，您不须要在下面的 chubnk 中重新分配模型。
summary(modl)
如您所见，咱们的 (3, 3, 64) 输入在通过两个 Dense 层之前被展平为形态为 (576) 的向量。
编译和训练模型
moel %>% comle(
optier = "adam",
lss = "specatialosnopy",
mecs = "accray"
)
评估模型
plot(hsy)
ealte(oel, x,y, erbe = 0)
咱们简略的 CNN 曾经实现了超过 70% 的测试准确率。
最受欢迎的见解
1.r 语言用神经网络改良 nelson-siegel 模型拟合收益率曲线剖析
2.r 语言实现拟合神经网络预测和后果可视化
3.python 用遗传算法 - 神经网络 - 含糊逻辑控制算法对乐透剖析
4. 用于 nlp 的 python：应用 keras 的多标签文本 lstm 神经网络分类
5. 用 r 语言实现神经网络预测股票实例
6.R 语言基于 Keras 的小数据集深度学习图像分类
7. 用于 NLP 的 seq2seq 模型实例用 Keras 实现神经机器翻译
8.python 中基于网格搜索算法优化的深度学习模型剖析糖
9.matlab 应用贝叶斯优化的深度学习