cifar-10 90%+代码

# -*- coding: utf-8 -*-
import os
os.environ[‘KERAS_BACKEND‘]=‘tensorflow‘

import numpy as np
from keras import layers regularizers
from keras.layers import Input Dense Activation ZeroPadding2D BatchNormalization Flatten Conv2D
from keras.layers import AveragePooling2D MaxPooling2D Dropout GlobalMaxPooling2D GlobalAveragePooling2D
from keras.models import Model
from keras.preprocessing import image
from keras.utils import layer_utils
from keras.utils.data_utils import get_file
from keras.applications.imagenet_utils import preprocess_input
import pydot
import graphviz
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
from keras.utils import plot_model
import pickle

def HappyModel（input_shape）:
    “““
    Implementation of the HappyModel.
    
    Arguments:
    input_shape -- shape of the images of the dataset

    Returns:
    model -- a Model（） instance in Keras
    “““
    
    ### START CODE HERE ###
    # Feel free to use the suggested outline in the text above to get started and run through the whole
    # exercise （including the later portions of this notebook） once. The come back also try out other
    # network architectures as well. 
    # Define the input placeholder as a tensor with shape input_shape. Think of this as your input image!
    X_input = Input（input_shape）
    
    # layer1 group 16*16*8
    X = ZeroPadding2D（（3 3））（X_input）
    X = Conv2D（8 （7 7） strides=（1 1） name=‘conv1‘）（X）
    X = BatchNormalization（axis = 3 name = ‘bn1‘）（X）
    X = Activation（‘relu‘）（X）
    X = MaxPooling2D（（2 2） name=‘max_pool1‘）（X）
    
    # layer2 group 8*8*16
    X = ZeroPadding2D（（2 2））（X）
    X = Conv2D（16 （5 5） strides=（1 1） name=‘conv2‘）（X）
    X = BatchNormalization（axis = 3 name = ‘bn2‘）   （X）
    X = Activation（‘relu‘）（X）
    X = MaxPooling2D（（2 2） name=‘max_pool2‘）（X）
    
    # layer3 group 4*4*32
    X = ZeroPadding2D（（1 1））（X）
    X = Conv2D（32 （3 3） strides=（1 1） name=‘conv3‘）（X）
    X = BatchNormalization（axis = 3 name = ‘bn3‘）   （X）
    X = Activation（‘relu‘）（X）
    X = MaxPooling2D（（2 2） name=‘max_pool3‘）（X）
    
    #layer4 group 2*2*64
    X = Conv2D（64 （1 1） strides=（1 1） name=‘conv4‘）（X）
    X = BatchNormalization（axis = 3 name = ‘bn4‘）（X）
    X = Activation（‘relu‘）（X）
    X = MaxPooling2D（（2 2） name=‘max_pool4‘）（X）
    
    #layer5 group 2*2*32
    X = ZeroPadding2D（（1 1））（X）
    X = Conv2D（32 （3 3） strides=（1 1） name=‘conv5‘）（X）
    X = BatchNormalization（axis = 3 name = ‘bn5‘）（X）
    X = Activation（‘relu‘）（X）
    X = MaxPooling2D（（2 2） name=‘max_pool5‘）（X）
    
    # FLATTEN X （means convert it to a vector） + FULLYCONNECTED
    X = Flatten（）（X）
    X = Dense（128 activation=‘sigmoid‘ name=‘fc1‘）（X）
    X = Dense（32 activation=‘sigmoid‘ name=‘fc2‘）（X）
    X = Dense（10 activation=‘sigmoid‘ name=‘fc3‘）（X）
    
    # Create mod