完成以下步驟並展示結果： 1. (10%) 讀取 tensorflow.keras 的 CIFAR10 數據庫 1. (20%) 整理數據（rescaling等） 1. (20%) 設計一個至少包含兩層 Conv2D 和兩層 MaxPooling2D 的神經網絡；使用 mse loss 和 SGD 優化 1. (10%) 對數據進行訓練 1. (20%) 計算並使用 matplotlib 畫出 CIFAR10 數據集中 10 個類別的分別的 ROC 和 AUC 1. (20%) 把神經網絡的 SGD 優化改為 Adam 優化，重覆以上所有步驟（訓練時 epoch 數要相同）

以下是代码实现和结果展示：

1. 读取 tensorflow.keras 的 CIFAR10 数据库

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

2. 整理数据（rescaling 等）

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

3. 设计一个至少包含两层 Conv2D 和两层 MaxPooling2D 的神经网络；使用 mse loss 和 SGD 优化

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu', padding='same'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

model.compile(optimizer='sgd', loss='mse', metrics=['accuracy'])

4. 对数据进行训练

history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

5. 计算并使用 matplotlib 画出 CIFAR10 数据集中 10 个类别的分别的 ROC 和 AUC

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

y_pred = model.predict(x_test)

fpr = {}
tpr = {}
roc_auc = {}
for i in range(10):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_pred[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

plt.figure(figsize=(8, 6))
colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'orange', 'purple', 'pink']
for i in range(10):
    plt.plot(fpr[i], tpr[i], color=colors[i], label='ROC curve of class %d (AUC = %0.2f)' % (i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curves of CIFAR-10')
plt.legend(loc="lower right")
plt.show()

结果如下图所示：


6. 把神经网络的 SGD 优化改为 Adam 优化，重复以上所有步骤（训练时 epoch 数要相同）

model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

history_adam = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

y_pred_adam = model.predict(x_test)

fpr_adam = {}
tpr_adam = {}
roc_auc_adam = {}
for i in range(10):
    fpr_adam[i], tpr_adam[i], _ = roc_curve(y_test[:, i], y_pred_adam[:, i])
    roc_auc_adam[i] = auc(fpr_adam[i], tpr_adam[i])

plt.figure(figsize=(8, 6))
for i in range(10):
    plt.plot(fpr_adam[i], tpr_adam[i], color=colors[i], label='ROC curve of class %d (AUC = %0.2f)' % (i, roc_auc_adam[i]))
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curves of CIFAR-10 (Adam)')
plt.legend(loc="lower right")
plt.show()

结果如下图所示：