利用Keras建立CNN模型对图像进行分类
我有一个图像分类任务，有一个巨大的数据集（800000个标记数据、80000个未标记数据和10个要分类的类），我已经建立了模型，但训练过程将非常耗时，因此我想知道我的模型是否足够健壮，能够处理该任务：利用Keras建立CNN模型对图像进行分类,keras,convolutional-neural-network,Keras,Convolutional Neural Network,我有一个图像分类任务，有一个巨大的数据集（800000个标记数据、80000个未标记数据和10个要分类的类），我已经建立了模型，但训练过程将非常耗时，因此我想知道我的模型是否足够健壮，能够处理该任务： img_宽度，img_高度=150150 批量大小=64 每个历元的样本数=671429 nb_val_样本=167852 nb_过滤器1=32 nb_过滤器2=64 nb_过滤器3=128 conv_size=3 池大小=2 类数=10 #定义类权重到handel不平衡类 def get_等级权
img_宽度，img_高度=150150
批量大小=64
每个历元的样本数=671429
nb_val_样本=167852
nb_过滤器1=32
nb_过滤器2=64
nb_过滤器3=128
conv_size=3
池大小=2
类数=10
#定义类权重到handel不平衡类
def get_等级权重（计数，平滑系数=0）：
如果平滑系数>0：
p=最大（计数）*平滑系数
对于k in计数：
k+=p
多数=最大（计数）
返回{cls:cls的浮点（多数/计数），枚举中的计数（计数）}
类别权重=获取类别权重（[37415、9344、128127、80545、60559、64548、31029、105297、309151、13266]，0.1）
#初始化CNN
分类器=顺序（）
#步骤1-卷积
添加（卷积2D（nb_过滤器1，卷积大小，卷积大小，输入形状=（卷积宽度，卷积高度，3），激活='relu'，边框模式='same'））
#步骤2-池
add（MaxPoolig2D（池大小=（池大小，池大小）））
#添加第二个卷积层
添加（卷积2D（nb_过滤器2，conv_大小，conv_大小，激活='relu'，border_mode='same'））
add（MaxPoolig2D（池大小=（池大小，池大小）））
#添加第三个卷积层
add（卷积2d（nb_filters3，conv_size，conv_size，activation='relu'，border_mode='same'））
add（MaxPoolig2D（池大小=（池大小，池大小）））
#步骤3-展平
添加（展平（））
#步骤4-完全连接
add（密集（输出尺寸=1024，激活=relu'））
分类器。添加（辍学（0.2））
add（密集（输出尺寸=1024，激活=relu'））
分类器。添加（辍学（0.2））
add（稠密（输出\u dim=classes\u num，激活='softmax'））
#编辑CNN
compile（优化器='RMSprop'，loss='categorical_crossentropy'，metrics=['accurity']）