R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化

本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用 Keras Sequential API，因此创建和训练我们的模型只需几行代码

设置

library(keras)

下载并准备 CIFAR10 数据集

CIFAR10 数据集包含 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，让我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) %>%

创建卷积基

下面的6行代码使用一种常见的模式定义了卷积基础：Conv2D和MaxPooling2D层的堆叠。

作为输入，CNN接受形状的张量（image\_height, image\_width, color\_channels），忽略了批次大小。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，你将配置我们的CNN来处理形状为（32，32，3）的输入，这是CIFAR图像的格式。你可以通过将参数input_shape传递给我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，让我们展示一下我们模型的架构。

summary(model)