Python与机器学习（第2版）（微课版） 课件 8-02-CNN行为识别任务实施

CNN行为识别任务实施人体行为识别-任务（1）主讲人：陈清华会使用Keras设计并构建卷积神经网络；会对构建的卷积神经网络模型进行训练和调优；会使用不同的指标对训练得到的模型进行评估。能力目标主要内容任务工单引导问题任务评价标准任务解决方案代码解析使用卷积神经网络实现人体行为识别教学难点使用read_csv()从文件中读取数据后，准备好训练数据集（验证集）和测试数据集。接着将训练数据放入设计、构建的卷积神经网络进行训练，最后用测试数据来预测人体行为的类别并评估模型优劣。任务概述

任务描述：

基于给定的公开数据集，设计卷积神经网络（CNN），并使用Keras中的Sequential序贯模型构建卷积神经网络，实现人体行为识别应用。010010011001101010100100110110100101110101000100001011011101001010101101010011010010任务工单原始数据结果输出

任务要求任务概述准确率混淆矩阵预测值、实际值躺坐站走下楼上楼躺510024003坐240780002站050480110走008458219下楼2001038424上楼312714444（1）查看训练数据样本，明确各数据项的意义并做好特征提取。请举例说明数据列“body_gyro_x”代表的意义？做什么用？（2）什么是卷积神经网络？在设计卷积神经网络结构时有哪些关键参数？并说明其与神经网络的主要区别。（3）查看Keras中文帮助文档（https://keras.io/zh/），说一说Keras是如何实现卷积神经网络的？试画出一个最简单的卷积神经网络模型，并写出使用Keras的构建过程。（4）当卷积神经网络模型识别准确率低时，可调整哪些参数？如何调整？”

问题引导：任务概述

任务评价：任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据读取2分数据正确读取得2分

模型构建与训练3分会设计卷积神经网络结构得1分，模型能正确构建得1分，代码正确且顺利执行得1分

模型测试1分会调用模型预测分类得1分

2.效果评估分析模型的准确性，并得出评估结论3分能正确展现评估报告得1分，会调整参数使得准确率达到90%以上得2分

3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分合计10分

任务解决方案

（1）定义模型相关参数

conv_size1=64#第一次卷积得到特征图个数

conv_size2=32#第二次卷积得到特征图个数

kernel_size=3#卷积核大小

timesteps=128#步长

input_dim=9#维度

n_classes=6#类别个数

pool_size=2#池化大小

batch_size=16#每个批次大小

epochs=30#训练次数任务解决方案

（2）模型建立：依据应用场景，设计神经网络模型并构建。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'])任务解决方案model.fit(X_train,

Y_train,

batch_size=batch_size,

validation_data=(X_val,Y_val),

epochs=epochs)

（3）模型训练：传入训练集，训练模型。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可以根据需要从训练集中抽取数据做验证集任务解决方案scores=model.evaluate(X_test,Y_test)

print(scores[1])

（4）模型评估2947/2947[==============================]-0s145us/step0.9053274393081665#准确率任务解决方案predicts=model.predict(X_test)

ACTIVITIES={0:'走',1:'上楼',2:'下楼',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