Python與機器學習（第2版）（微課版） 課件 8-02-CNN行為識別任務(wù)實施

CNN行為識別任務(wù)實施人體行為識別-任務(wù)（1）主講人：陳清華會使用Keras設(shè)計并構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；會對構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練和調(diào)優(yōu)；會使用不同的指標對訓練得到的模型進行評估。能力目標主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決方案代碼解析使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)人體行為識別教學難點使用read_csv()從文件中讀取數(shù)據(jù)后，準備好訓練數(shù)據(jù)集（驗證集）和測試數(shù)據(jù)集。接著將訓練數(shù)據(jù)放入設(shè)計、構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，最后用測試數(shù)據(jù)來預(yù)測人體行為的類別并評估模型優(yōu)劣。任務(wù)概述

任務(wù)描述：

基于給定的公開數(shù)據(jù)集，設(shè)計卷積神經(jīng)網(wǎng)絡(luò)（CNN），并使用Keras中的Sequential序貫?zāi)Ｐ蜆?gòu)建卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)人體行為識別應(yīng)用。010010011001101010100100110110100101110101000100001011011101001010101101010011010010任務(wù)工單原始數(shù)據(jù)結(jié)果輸出

任務(wù)要求任務(wù)概述準確率混淆矩陣預(yù)測值、實際值躺坐站走下樓上樓躺510024003坐240780002站050480110走008458219下樓2001038424上樓312714444（1）查看訓練數(shù)據(jù)樣本，明確各數(shù)據(jù)項的意義并做好特征提取。請舉例說明數(shù)據(jù)列“body_gyro_x”代表的意義？做什么用？（2）什么是卷積神經(jīng)網(wǎng)絡(luò)？在設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)時有哪些關(guān)鍵參數(shù)？并說明其與神經(jīng)網(wǎng)絡(luò)的主要區(qū)別。（3）查看Keras中文幫助文檔（https://keras.io/zh/），說一說Keras是如何實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的？試畫出一個最簡單的卷積神經(jīng)網(wǎng)絡(luò)模型，并寫出使用Keras的構(gòu)建過程。（4）當卷積神經(jīng)網(wǎng)絡(luò)模型識別準確率低時，可調(diào)整哪些參數(shù)？如何調(diào)整？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施數(shù)據(jù)讀取2分數(shù)據(jù)正確讀取得2分

模型構(gòu)建與訓練3分會設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)得1分，模型能正確構(gòu)建得1分，代碼正確且順利執(zhí)行得1分

模型測試1分會調(diào)用模型預(yù)測分類得1分

2.效果評估分析模型的準確性，并得出評估結(jié)論3分能正確展現(xiàn)評估報告得1分，會調(diào)整參數(shù)使得準確率達到90%以上得2分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分合計10分

任務(wù)解決方案

（1）定義模型相關(guān)參數(shù)

conv_size1=64#第一次卷積得到特征圖個數(shù)

conv_size2=32#第二次卷積得到特征圖個數(shù)

kernel_size=3#卷積核大小

timesteps=128#步長

input_dim=9#維度

n_classes=6#類別個數(shù)

pool_size=2#池化大小

batch_size=16#每個批次大小

epochs=30#訓練次數(shù)任務(wù)解決方案

（2）模型建立：依據(jù)應(yīng)用場景，設(shè)計神經(jīng)網(wǎng)絡(luò)模型并構(gòu)建。fromkeras.models

importSequential

fromkeras.layers

importAveragePooling1D,Dense,Conv1D,Flatten,Activation

model=Sequential()

model.add(Conv1D(conv_size1,kernel_size=kernel_size,padding='same',input_shape=(timesteps,input_dim)))

model.add(AveragePooling1D(pool_size=pool_size))

model.add(Conv1D(conv_size2,padding='same',kernel_size=kernel_size))

model.add(Activation('relu'))

model.add(Flatten())

model.add(Dense(n_classes,activation='softmax'))

model.compile(loss='categorical_crossentropy',ptimizer='rmsprop',metrics=['accuracy'])任務(wù)解決方案model.fit(X_train,

Y_train,

batch_size=batch_size,

validation_data=(X_val,Y_val),

epochs=epochs)

（3）模型訓練：傳入訓練集，訓練模型。Trainon7352samples,validateon2947samplesEpoch1/307352/7352[==============================]-3s436us/step-loss:0.4260-accuracy:0.8301-val_loss:0.4478-val_accuracy:0.8510…Epoch29/307352/7352[==============================]-3s444us/step-loss:0.0719-accuracy:0.9769-val_loss:1.5212-val_accuracy:0.8890Epoch30/307352/7352[==============================]-3s439us/step-loss:0.0656-accuracy:0.9769-val_loss:1.4042-val_accuracy:0.9053可以根據(jù)需要從訓練集中抽取數(shù)據(jù)做驗證集任務(wù)解決方案scores=model.evaluate(X_test,Y_test)

print(scores[1])

（4）模型評估2947/2947[==============================]-0s145us/step0.9053274393081665#準確率任務(wù)解決方案predicts=model.predict(X_test)

ACTIVITIES={0:'走',1:'上樓',2:'下樓',3:'坐',4:'站',5:'躺'}

def

confusion_matrix(Y_true,Y_pred):

Y_true=pd.Series([ACTIVITIES[y]foryinnp.argmax(Y_true,axis=1)])

Y_pred=pd.Series([ACTIVITIES[y]foryinnp.argmax(Y_pred,axis=1)])

returnpd.crosstab(Y_true,Y_pred,rownames=['True'],col