如何用Cifar在Keras中訓練單層神經網絡？

Question

我想使用cifar數據集和keras框架來訓練單層神經網絡。由於數據集的每個圖像是32乘3乘3，我不太確定如何使用沒有卷積的單層網絡處理圖像。我認爲將每個圖像展平成具有N by 32*32*3形狀的數據集是正確的選擇。因此，我做了以下內容：

#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)) 

然後我就做匹配的輸入尺寸的單層網：

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

代碼看起來編譯很好，一切。因此，這是在沒有卷積的圖像數據集上訓練單層神經網絡的正確方法嗎？我猜想讓我失望的主要原因是圖像是一個3D張量，但是一個單層網絡將它視爲一維矢量而不管其形狀如何。對？

此外，由於Keras提供了一個flatten()函數，因此似乎不清楚這是否是因效率或其他原因而使用的首選方法。但是，我無法完成這一項工作。

此外，這不言而喻，但softmax層並不真正算作另一層。對？我想想要它是單層。

---

整個代碼：

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

你做的一切權利，這就是這樣，如果你只想要一個緻密層。它只接受一維張量，所以你做好了重塑。

softmax不被視爲一個圖層，因爲它沒有任何要訓練的權重或參數。

出於好奇，你爲什麼在輸入上使用relu？他們不是應該在0和1之間嗎？