第五十四回 高太尉大兴三路兵 呼延灼摆布连环马-AI通过构建并训练CNN网络来进行飞机识别

呼延���举荐了百胜将韩滔和天目将彭玘做先锋。

两军对战，韩滔和秦明斗二十回合，呼延灼与林冲斗在一起，花荣与彭玘斗在一处，后彭玘与一丈青扈三娘斗在一起，被扈三娘抓住。

尽管梁山占优，宋江也没有乘胜追击，因为呼延灼带的是连环马，马带马甲，人披铁铠，射箭都不顶用。打完后，宋江亲自给彭玘解绑，送到大寨。

第二天呼延灼又列出连环马冲杀，宋江被李逵护着逃到水边，被李俊、张横、张顺、三阮接到战船上才逃脱。小兵折损大半，幸好头领们都还在。山下的四间酒店也被官兵拆了。大家一点办法也没有，晁盖只好下令严防***守。宋江不肯上山，亲自坐镇鸭嘴滩。

宋江很多事还是亲历亲为的，怪不得大家都服他！ 人工智能，也需要亲自实践一下才行！

AI通过构建并训练CNN网络来进行飞机识别

在星河社区2019年的培训课程中，有一节课程是通过构建并训练CNN网络来进行飞机识别。课程中有一项作业，是通过各种方法增加准确率。这门课程主要面向初学者，所以增加准确率的方法主要是调整神经网络的深度和channel值，方法很简单，但是确实非常有助于初学者对神经网络的理解。

项目地址：7天入门深度学习 d2 作业飞机识别 - 飞桨AI Studio星河社区

直接点击，然后fork执行即可。

网络结构如图：

因为需要飞桨1.6.2环境和相关数据集，所以下面的代码只能展示：

# 导入依赖包import sysimport numpy as np# import lr_utilsimport matplotlib.pyplot as pltimport paddleimport paddle.fluid as fluid%matplotlib inline# 加载数据, 并展示一张，由于数据图片较小，所以显示出来比较模糊train_set_x_orig=np.load("data/data1589/traindata.npy")train_set_y=np.load("data/data1589/trainlabel.npy")test_set_x_orig=np.load("data/data1589/testdata.npy")test_set_y=np.load("data/data1589/testlabel.npy")plt.imshow(train_set_x_orig[2])plt.show()# 输出数据集的信息m_train=train_set_x_orig.shape[0]m_test=test_set_x_orig.shape[0]num_px=train_set_x_orig.shape[1]print ("训练样本数: m_train = " + str(m_train))print ("测试样本数: m_test = " + str(m_test))print ("图片高度/宽度: num_px = " + str(num_px))print ("图片大小: (" + str(num_px) + ", " + str(num_px) + ", 3)")print ("train_set_x shape: " + str(train_set_x_orig.shape))print ("train_set_y shape: " + str(train_set_y.shape))print ("test_set_x shape: " + str(test_set_x_orig.shape))print ("test_set_y shape: " + str(test_set_y.shape))###因为paddlepaddle认识的数据是3*l*h的，所以需要进行数据格式转换train_set_x = np.array(train_set_x_orig).reshape(m_train, 3, num_px, num_px).astype(np.float32)train_set_y = np.array(train_set_y).reshape(m_train, 1).astype(np.float32)test_set_x = np.array(test_set_x_orig).reshape(m_test, 3, num_px, num_px).astype(np.float32)test_set_y = np.array(test_set_y).reshape(m_test, 1).astype(np.float32)#归一化train_set_x=train_set_x/ 255.0 * 2.0 - 1.0test_set_x=test_set_x/ 255.0 * 2.0 - 1.0# 读取训练数据或测试数据def read_data(train_set_x,train_set_y,buffer_size):     def reader():             for i in range(buffer_size):                        yield train_set_x[i,:], int(train_set_y[i])                return readerdef convolutional_neural_network():    """    定义卷积神经网络分类器：        输入的二维图像，经过两个卷积-池化层，使用以softmax为激活函数的全连接层作为输出层    Args:        img -- 输入的原始图像数据    Return:        predict -- 分类的结果    """    img = fluid.layers.data(        name='img', shape =[3,32,32],dtype = 'float32')    #多加了一个卷积池化层，最后加了drop，以提高准确率，降低过拟合#    droped = fluid.layers.dropout(img,dropout_prob=1)    #第一个卷积层    #     hidden = fluid.nets.simple_img_conv_pool(input, num_filters, filter_size, pool_size, pool_stride, pool_padding=0)    hidden=fluid.nets.simple_img_conv_pool(    input=img,        num_filters=250,        filter_size=9,        pool_size=1,        pool_stride=1,        pool_padding=0    )    #（50 10 5 1 0）    #第二个卷积层#    drop1 = fluid.layers.dropout(hidden,dropout_prob=0.2)        h2=fluid.nets.simple_img_conv_pool(    input=hidden,        num_filters=150,        filter_size=5,        pool_size=1,        pool_stride=1,        pool_padding=0    )    h3=fluid.nets.simple_img_conv_pool(    input=h2,        num_filters=150,        filter_size=3,        pool_size=2,        pool_stride=1,        pool_padding=0    )        #（50 3 2 1 0）    drop1 = fluid.layers.dropout(h3,dropout_prob=0.3)#     predict = fluid.layers.fc(h2,size=1,act='sigmoid')    predict = fluid.layers.fc(drop1,size=2,act='softmax') #softmax    return predict #配置网络结构def train_func():        label = fluid.layers.data(name='label', shape = [1],dtype = 'int64')    predict = convolutional_neural_network()    # 损失函数，cross_entropy 函数内部使用交叉熵损失函数    cost = fluid.layers.cross_entropy(input=predict, label=label)    avg_cost = fluid.layers.mean(cost)    return avg_costdef optimizer_func():    # 创建Momentum优化器，并设置学习率(learning_rate)、动量(momentum)    optimizer=fluid.optimizer.Momentum(learning_rate=0.0001,momentum=0.5)    #optimizer=fluid.optimizer.Adam(learning_rate=0.001,momentum=0.5)    return optimizerfeed_order = ['img', 'label']     #数据格式params_dirname = "./DNN_model"    #模型保存路径# 事件处理函数from paddle.utils.plot import Ploterfrom  paddle.fluid.contrib.trainer import EndStepEventtrain_title = "Train cost"test_title = "Test cost"plot_cost = Ploter(train_title, test_title)step = 0def event_handler_plot(event):    global step    if isinstance(event, EndStepEvent):        if event.step % 2 == 0: # 若干个batch,记录cost            if event.metrics[0] 0.5)+0   #True or False 转0/1，直接后面+0即可            # 打印预测结果#     mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列,           ###经过分析，这是多分类问题会用到的函数，找出概率值最大的下标        #     mini_batch_result = mini_batch_result[0][:, -1]  #把这些列标拿出来    print('预测结果：%s'%result)        # 打印真实结果        label = np.array(test_y) # 转化为 label    print('真实结果：%s'%label)    break # 查看百分比def right_ratio(right_counter, total):    ratio = float(right_counter)/total    return ratio# 评估函数 data_set 是一个readerdef evl(data_set):    total = 0    #操作的元素的总数    right_counter = 0  #正确的元素    pass_num = 0#     print(liruoyi)    for mini_batch in data_set():        pass_num += 1        #预测        test_x = np.array([data[0] for data in mini_batch]).astype("float32")        test_y = np.array([data[1] for data in mini_batch]).astype("int64")        mini_batch_result = inferencer.infer({'img': test_x})                mini_batch_result=(mini_batch_result[0][:,-1]>0.5)+0   #True or False 转0/1，直接后面+0即可                #预测的结果       # mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列       # mini_batch_result = mini_batch_result[0][:, -1]+0  #把这些列标拿出来         #print('预测结果：%s'%result)        label = np.array(test_y) # 转化为 label         # print('真实结果：%s'%label)        #计数        label_len = len(label)        total += label_len        for i in range(label_len):            if mini_batch_result[i] == label[i]:                right_counter += 1    ratio = right_ratio(right_counter, total)    return ratioratio = evl(train_reader)print('训练数据的正确率 %0.2f%%'%(ratio*100))ratio = evl(test_reader)print('预测数据的正确率 %0.2f%%'%(ratio*100))

提高准确率的方法就是改变卷积的大小和深度。比如原来的卷积大小是10和5 ，深度是两层，最终试出来的卷积大小是9、5和3，深度是三层。这也是为什么有人问某某模型为什么参数是xxx，我会回答“作者试出来”的原因，因为理论只是指导，最终大多数模型的参数都是通过实践试出来的，哪个最好，论文里就写哪个。

大家也可以去修改试试。当然卷积网络还需要注意最终全连接层的参数对应，这个在实践中特别容易出问题，多练练就好了。

呼延灼从东京汴梁请来了轰天雷凌振。凌振的炮威力很大，晁盖派了水路六个头领去捉拿凌振，把他也请上了山。

大家商量破连环马的计策，金钱豹子汤隆说我有一个计策。需要一个兵器和我的一个哥哥，可以破连环马。

欲知后事如何，且听下回分解。