[发明专利]一种基于Keras框架和深度神经网络的图片分类方法

权利要求书

1.一种基于Keras框架和深度神经网络的图片分类方法，其特征在于，包括步骤：

手写数字图像数据集的预处理，首先将手写数字图像数据集划分为训练集、测试集，然后对其进行维度修改，并对标签数据进行one-hot编码；通过Keras框架构建三层卷积神经网络，设置每层卷积神经网络的卷积核个数、卷积核大小、激活函数和池化层；进一步通过Keras框架构建三层全连接层和输出层，设置每层全连接层和输出层的神经元个数；最后调用Keras框架的API构建损失函数，并在训练集上进行训练，得到的模型在测试集上进行测试，得出准确率；

通过Keras框架构建三层卷积神经网络的具体步骤为：

步骤2.1：在获得了数据集后，接下来需要构建三层卷积神经网络，首先创建第一层卷积神经网络，通过函数model.add(Conv2D(filters＝64,kernel_size＝(3,3),strides＝

(1,1),padding＝'same',input_shape＝(28,28,1),activation＝'relu'))来构建第一层卷积神经网络的卷积层，Conv2D是keras库中的函数，用于创建卷积核，filters＝64表示构建了64个卷积核，对每个图片使用64个卷积核进行计算，得到64个结果，即64个图片，kernel_size＝(3,3)表示每个卷积核的大小是3*3，strides＝(1,1)表示每个卷积核左右移动和上下移动的步长是1个像素，padding＝’same’表示输入的图片大小跟输出的图片大小一致，通过零填充来保证大小一致，input_shape＝(28,28,1)表示输入的图片大小是28*28*1,其中的1表示图片是1通道，即黑白图片，activation＝'relu'表示激活函数是relu函数，激活函数是为了增加网络的非线性分割能力，而采用Relu激活函数，整个过程的计算量节省很多，并且不会出现梯度消失的情况；通过model.add(MaxPooling2D(pool_size＝(2,2)))函数进行池化，MaxPooling2D是keras库中的函数，用于对卷积层得到的数据进行池化，具体含义为：池化的窗口是2*2，移动步长默认是1*1，即左右移动和上下移动都是1个像素，将2*2四个像素中选取其中最大的一个值作为一个代表像素；接下来是第一层卷积神经网络的DropOut层，调用model.add(Dropout(0.5))函数，以概率0.5保留每个神经元节点，Dropout就是在不同的训练过程中随机扔掉一部分神经元，也就是让某个神经元以一定的概率p让其工作，这次训练过程中不更新权值，也不参加神经网络的计算，但是它的权重得保留下来，激活函数如公式(1)所示：

步骤2.2：在步骤2.1中构建了第一层卷积神经网络后，接下来再构建第二层卷积神经网络，通过model.add(Conv2D(128,kernel_size＝(3,3),strides＝(1,1),padding＝'same',activation＝'relu'))函数构造卷积层，参数128表示卷积核个数是128个，kernel_size＝(3,3)表示卷积核的大小是3*3，每个图片与128个大小为3*3卷积核相乘，得到128个图片，strides＝(1,1)表示每个卷积核移动的步长，即左右移动和上下移动的步长都是1个像素，padding＝'same'表示经过卷积计算后，输入的图片大小与输出的图片大小一致，通过零填充来保存输入和输出的图片大小一致，activation＝'relu'表示将卷积后的结果使用relu激活函数进行激活，只是改变结果的值，维度不改变，relu激活函数的优点在第一层卷积神经网络已经说明；经过卷积层后，跟第一层卷积神经网络类似，接下来是池化层和使用DropOut函数处理，通过函数model.add(MaxPooling2D(pool_size＝(2,2)))对卷积层得到的结果进行池化，所使用的窗口大小是2*2像素面积，默认左右移动和上下移动的步长是1，在每个窗口中选出最大的一个像素值作为代表值，因此图片的缩小为原来的4倍；经过池化后，通过model.add(Dropout(0.5))函数对池化得到的结果进行选取一些神经元；

步骤2.3：在步骤2.2中构建了第一层卷积神经网络后，接下来再构建第三层卷积神经网络，继续使用model.add(Conv2D(256,kernel_size＝(3,3),strides＝(1,1),

padding＝'same',activation＝'relu'))函数构建第三层卷积神经网络的卷积层，256表示使用256个卷积核，每个图片都与256个卷积核进行计算，得到256个结果，kernel_size＝(3,3)表示每个卷积核的大小为3*3,strides＝(1,1)表示每个卷积核左右移动和上下移动的步长是1个像素，padding＝'same'表示经过卷积层后，输入图片的大小和输出图片的大小一致，通过零补充来保证输出图片和输入图片的大小一致，activation＝'relu'表示将卷积计算的结果通过激活函数relu来激活，通过激活函数relu让计算量减少并且不会出现梯度消失的情况；经过卷积层后，还有池化层和使用DropOut函数进行处理，通过model.add(MaxPooling2D(pool_size＝(2,2)))函数进行池化，池化的窗口大小是2*2，默认的移动步长是1*1，即左右移动和上下移动的步长是1个像素，每次移动窗口选出其中最大的一个像素点作为代表值，池化前后的图片大小缩小了4倍；最后执行DropOut函数，以概率0.5保留每个神经元。