如何使用 cifar 在 Keras 中训练单层神经网络？

Question

我想使用 cifar 数据集和 keras 框架来训练单层神经网络。由于数据集的每个图像都是 32 x 32 x 3，我不太确定如何使用没有卷积的单层网络来处理图像。我认为将每个图像展平以具有形状为N by 32*32*3 的数据集是正确的做法。因此我做了以下事情：

#Flatten
X_train = X_train.reshape((X_train.shape[0],32*32*3))
X_test = X_test.reshape((X_test.shape[0],32*32*3))

然后我只是做了一个与输入维度匹配的单层网络：

model.add(Dense(units_single_layer, input_shape=(32*32*3,)))
model.add(Activation('relu'))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

代码似乎可以正常编译并且一切正常。因此，这是在没有卷积的图像数据集上训练单层神经网络的正确方法吗？我想让我失望的主要是图像是 3D 张量，但单层网络只会将其视为 1D 矢量，而不管其形状如何。对吧？

此外，由于 Keras 提供了一个 flatten() 函数，我似乎不清楚这是否是由于效率或其他原因而使用的首选方法。但是，我无法完成这项工作。

另外，这是不言而喻的，但 softmax 层并不能真正算作另一层。正确的？我希望它是单层的。

---

完整代码：

from __future__ import print_function
from keras.datasets import cifar10
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils

batch_size = 32
nb_classes = 10
units_single_layer = 100
nb_epoch = 200
data_augmentation = False

# input image dimensions
img_rows, img_cols = 32, 32
# The CIFAR10 images are RGB.
img_channels = 3
# The data, shuffled and split between train and test sets:
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
#Flatten
X_train = X_train.reshape((X_train.shape[0],32*32*3))
X_test = X_test.reshape((X_test.shape[0],32*32*3))

# Convert class vectors to binary class matrices.
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()

#model.add( Flatten(input_shape=32*32*3) )
#model.add(Flatten())
#model.add(Flatten(100, input_shape=(32*32*3,)))
model.add(Dense(units_single_layer, input_shape=(32*32*3,)))
model.add(Activation('relu'))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

# Let's train the model using RMSprop
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

print('Not using data augmentation.')
model.fit(X_train, Y_train,
          batch_size=batch_size,
          nb_epoch=nb_epoch,
          validation_data=(X_test, Y_test),
          shuffle=True)

Answer 1

你做的一切都是正确的，如果你只想要一个密集层，这就是方法。它只接受一维张量，所以你在重塑方面做得很好。

softmax 不被视为一个层，因为它没有任何要训练的权重或参数。

只是出于好奇，你为什么在输入上使用 relu？他们不是已经应该在0到1之间了吗？