用keras搭建一个简单的一维卷积神经网络

发表于 分类于 阅读次数：

编程环境

python 3.6.8

tensorflow 1.12.3 离线包

matplotlib 3.1.2

numpy 1.17.4

数据集说明

我所采用的数据集，是我自己构建的一个网络流量数据集，借鉴了Wei Wang等人端到端的思想，

但是处理成的数据集却不同于他们的MNIST型数据集，而是采用的npy进行存储。

由于只是用于测试模型搭建，该数据集仅包含了一部分数据（Chat流量），

原数据来源于加拿大网络安全研究所的公开数据集(ISCX2016)

模型代码

训练模型部分：训练模型部分：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
from tensorflow import keras
from tensorflow.python.keras.layers import Dense, Dropout, Activation, Flatten, Conv1D, MaxPool1D
import matplotlib.pyplot as plt
import numpy as np
import os
 
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
# 数据集路径
dataset_path = 'dataset.npy'
# 接入softmax的全连接层维数
dense_num = 6
# 保存的模型文件路径
model_file = 'model/cnn_6traffic_model.h5'

# 数据集存储结构
# [training_images, training_labels, validation_images, validation_labels, testing_images, testing_labels]
data = np.load(dataset_path, allow_pickle=True)
 
x_train, y_train, x_test, y_test = np.array(data[0]), np.array(data[1]), np.array(data[2]), np.array(data[3])
print(x_train.shape, y_train.shape)
 
# 一维化
X_train = x_train.reshape(-1, 784, 1)
# print(X_train)
# X_train = X_train.astype('float32')
X_test = x_test.reshape(-1, 784, 1)
# X_test = X_test.astype('float32')
 
 
# 将像素值做归一化，也就是从0~255的取值压缩到0~1之间
# X_train /= 255
# X_test /= 255
 
# 构建模型
model = keras.models.Sequential()
 
# 卷积层1 + relu
# 25 卷积核的数量 即输出的维度
# 3 每个过滤器的长度
model.add(Conv1D(32, 3, activation='relu', input_shape=(784, 1), padding="same"))
# 池化层1
model.add(MaxPool1D(pool_size=3, strides=3))
 
# 卷积层2 + relu
model.add(Conv1D(64, 3, strides=1, activation='relu', padding='same'))
# 池化层2
model.add(MaxPool1D(pool_size=3, strides=3))
 
# 神经元随机失活
model.add(Dropout(0.25))
# 拉成一维数据
model.add(Flatten())
# 全连接层1
model.add(Dense(1024))
# 激活层
model.add(Activation('relu'))
 
# 随机失活
model.add(Dropout(0.4))
# 全连接层2
model.add(Dense(dense_num))
# Softmax评分
model.add(Activation('softmax'))
 
# 查看定义的模型
model.summary()
 
# 自定义优化器参数
# rmsprop = keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
 
# lr表示学习速率
# decay是学习速率的衰减系数(每个epoch衰减一次)
# momentum表示动量项
# Nesterov的值是False或者True，表示使不使用Nesterov momentum
sgd = keras.optimizers.SGD(lr=0.01, decay=1e-4, momentum=0.9, nesterov=True)
 
model.compile(optimizer='sgd', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
 
# 训练
history = model.fit(X_train, y_train, epochs=10, batch_size=1000,
                    verbose=1, validation_data=[X_test, y_test])
 
model.save(model_file)
print(history.params)

注：神经网络初涉，有啥问题请直接指出，谢谢！有流量识别领域的小伙伴欢迎打扰！相互交流！

说明：鉴于很多人问我数据集的问题，但写这个文章时所用的仅有“Chat”的流量的数据集我已经删除了，所以我在这里提供了包含有我已处理好的六类网络流量的npy数据集，有需要的自取天翼云盘地址(访问码:hp8m)，鉴于之前的数据集是二分类的，但我提供的数据集的六个标签，所以代码中需要做出相应修改，我已将修改后的代码附上了。