Python keras代码:卷积神经网络对遥感影像的变化检测
时间: 2023-06-12 12:06:05 浏览: 49
这是一个使用Keras实现卷积神经网络进行遥感影像的变化检测的示例代码:
```python
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense
# 定义模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(256, 256, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(2, activation='softmax'))
# 编译模型
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
# 读取训练数据
x_train = np.load('train_data.npy')
y_train = np.load('train_labels.npy')
# 训练模型
model.fit(x_train, y_train, batch_size=32, epochs=10, verbose=1)
# 读取测试数据
x_test = np.load('test_data.npy')
y_test = np.load('test_labels.npy')
# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
```
在上面的代码中,我们首先定义了一个卷积神经网络模型,它包含了两个卷积层、一个最大池化层、两个Dropout层、一个全连接层和一个Softmax层。然后,我们编译模型,指定损失函数、优化器和评估指标。接下来,我们读取训练数据和测试数据,使用`fit`方法训练模型,使用`evaluate`方法评估模型。最终,我们打印出测试损失和测试准确率。需要注意的是,这里的训练数据和测试数据是以numpy数组的形式存储在文件中的,你需要根据自己的数据格式进行修改。