cnn突破三中生成四个卷积核，训练6万次，91分，再训练6万次，95分，不是很满意，但又找不到问题点，所以就想了个办法，使用三个固定核，加上三层bpnet神经网络，看看效果，还别说，固定核效果不错，训练6万次，逼近96分，而且不到十秒就训练完成了，而机器自动生成卷积核要40多秒！以下是代码，做个记录，为什么图像处理中常用的卷积核效果好？
14:24 2024/9/25
已经打包，已经改成100，变化不大
然后想到，用那三个卷积核，加上三层网络，
结果太开心，稳定在96三次，时而突破97，学习6万次一共四次
如果重复学习，已经有参数，不低于97
28*28gaos后降采样成14*14，使用三个卷积核并行，变成3@12*12，
降采样到3@6*6，108全连接80-10，结束
先打包一个，太激动le，95就这样突破了
这是当天的日记。代码如下：
先看forward函数：
forward第一步;使用soblex，sobely，以及lapulas三个核，14*14-》3@12*12
int w = 14;
int ww = w;
int h = 14;
int hh = h;
double\[\] A1 = new double12 \* 12; double\[\] A2 = new double12 \* 12; double\[\] A3 = new double12 \* 12;
int k = 0;
for (int j = 1; j < (h - 1); j++)
{
for (int i = 1; i < (w - 1); i++)
{
int n0 = (j * w + i);
double Grady = xIn0 - 1 - ww + 2 * xIn0 - ww + xIn0 - ww + 1
- xIn0 + ww - 1 - 2 * xIn0 + ww - xIn0 + ww + 1;
A1k = Grady;
double Gradx = xIn0 - ww + 1 + 2 * xIn0 + 1 + xIn0 + ww + 1
- xIn0 - ww - 1 - 2 * xIn0 - 1 - xIn0 + ww - 1;
A2k = Gradx;
double lapulas = xIn0 + 1 + xIn0 - 1 - 2 * xIn0 + xIn0 + w + xIn0 - w - 2 * xIn0;//拉普拉斯=+
A3k = lapulas;
k++;
}
}
forward第二步：池化取最大，变成6*6@3
//第二步，降级采样
// List<double>
hebing固定 = new List<double>();//一共36*3
for (int i = 0; i < 6; i++)
for (int j = 0; j < 6; j++)//
{
int l = (i) * 6 + j;
double tempb = 0;
for (int m = 0; m < 2; m++)
for (int n = 0; n < 2; n++)
{
int kk = (i * 2 + m) * 12 + j * 2 + n;
if (A1kk > tempb)
{
tempb = A1kk;
}
}
hebing固定.Add(tempb);
// hIcnnl = tempb;//25个数据，通过这个关系，就能找到14*14matrix中去。202409181038
}
for (int i = 0; i < 6; i++)
for (int j = 0; j < 6; j++)//
{
int l = (i) * 6 + j;
double tempb = 0;
for (int m = 0; m < 2; m++)
for (int n = 0; n < 2; n++)
{
int kk = (i * 2 + m) * 12 + j * 2 + n;
if (A2kk > tempb)
{
tempb = A2kk;
}
}
hebing固定.Add(tempb);
// hIcnnl = tempb;//25个数据，通过这个关系，就能找到14*14matrix中去。202409181038
}
for (int i = 0; i < 6; i++)
for (int j = 0; j < 6; j++)//
{
int l = (i) * 6 + j;
double tempb = 0;
for (int m = 0; m < 2; m++)
for (int n = 0; n < 2; n++)
{
int kk = (i * 2 + m) * 12 + j * 2 + n;
if (A3kk > tempb)
{
tempb = A3kk;
}
}
hebing固定.Add(tempb);
// hIcnnl = tempb;//25个数据，通过这个关系，就能找到14*14matrix中去。202409181038
}
forward第三步：合并3@6*6=108，归一化后全连接
//先观察数据，并归一化hebing固定
double linshimax=0;
for (int i = 0; i < hebing固定.Count;i++ )
{
if (hebing固定i > linshimax) linshimax = hebing固定i;
}
hebing固定归一化=new double108;
for (int i = 0; i < hebing固定.Count; i++)
{
hebing固定归一化i=hebing固定i / linshimax;
}
hI固定 = new double80;
//通过w1计算输入层-隐藏层输入节点
for (int i = 0; i < 36 * 3; i++)//108
for (int j = 0; j < 80; j++)//80
hI固定j += hebing固定归一化i * w1固定i, j;
//通过激活函数对隐藏层进行计算
for (int i = 0; i < 80; i++)
hO固定i = sigmoid(hI固定i + bh固定i);
yi固定 = new double10;
//通过w2计算隐藏层-输出层
for (int i = 0; i < 80; i++)
for (int j = 0; j < 10; j++)
yi固定j += hO固定i * w2固定i, j;
//通过激活函数求yo
for (int i = 0; i < 10; i++)
yO固定i = sigmoid(yi固定i + by固定i);
以上就完成了forward函数，下面再看：backward函数：
void backcnn固定()
{
//对w2进行更新
double \[\]deltax=new double10;
for (int j = 0; j < 10; j++)//10
{
deltaxj = (yO固定j - dj) * dsigmoid(yO固定j);
by固定j -= deltaxj * learnRate;
for (int i = 0; i < 80; i++)//
{
w2固定i, j -= deltaxj * learnRate * hO固定i;
}
}
//对反向传播进行预处理
double\[\] W2 = new double80;//
for (int j = 0; j < 80; j++)
for (int k = 0; k < 10; k++)
W2j += deltaxk * w2固定j, k;
//对w1进行更新
for (int j = 0; j < 80; j++)
{
double delta = dsigmoid(hO固定j) * W2j;
bh固定j -= delta * learnRate;
for (int i = 0; i < 108; i++)//
{
w1固定i, j -= delta * learnRate * hebing固定归一化i;
}
}
}
这就完了，看看运行效果：
然后再看那个自己生成四个卷积核的cnn，对比有什么感想：
14:31 2024/9/25
另外，降采样中取最大的提示，是否高斯后也如此操作，而不是各行各列降采样？
15:37 2024/9/25
已经尝试，效果不好
这是第一个直觉上的想法，并验证，不行，第二个直觉上的想法：
我们5*5的卷积核，都不是像图像处理中的卷积核，我们自己生成的卷积核都是针对第一像素的处理，而图像处理中的卷积核，都是针对中心像素卷积的，以为这个中心对齐有效果，求证后，没有质的提升！
找不出来为什么得分在91-95之间，我就认为，自己的程序当下没有问题！
在这个自生成卷积核cnn上，我想是不是层数太少导致的，所以，我扩展了结构：
28*28-》4@24*24-》4@12*12-》16@8*8-》16@4*4-》80-》10，使用了4个5*5卷积核，以及16个5*5卷积核，让网络自己生成，期间我只是吧步长learnrate由0.2降为0.07，
这个结构程序达成的得分仍然在91-95之间，仍然不如固定核一次就能训练到96分
虽然有点沮丧，但是，我发现，我的这个cnn架构，已经和lecun的lenet-1相当，
这才是最大的成功，别人花了那么多年的成果，就这样被我突破了！
其实，想一想，还有好几个法宝都没用上，以后有机会在推进一下！
然后，我把这个固定核bpnet移植到自己的机器视觉megauning中试了试，发现速度跟不上，
然后就放弃了！
说实话，这个不如我在形状匹配中引入角点的效果，虽然时间长了一点点，但时间在500ms内能搞定，而且得分由原来的37分的确定界限，翻一番都不止！
这个固定核bpnet改成匹配，时间接近2秒，而且用识别分类的方法来找（匹配）准确位置，效果不值一提！
但可以肯定的是，cnn是可以用来定位的，但很明显人工智能的cnn显然与机器视觉在应用场景上极大的不同！
这更增强了我对机器视觉的信心！ai在场景的落地上还需要时间，我觉得用人工智能判断疾病应该有极大的空间！
哎，又好长时间没有看中医了，ai应该和中医能很好的结合！这上面我是有信心的，中医识别和分类很像cnn。
总结：人眼中有识别和匹配，但识别和匹配不一样，匹配是拉着弓，百步穿杨，而识别是那是杨树叶，或者说，那是杨树。