卷积网路的组成
卷积层(提取图像特征)
卷积运算本质上就是在滤波器和输入数据的局部区域间做点积。
css
- padding
保持尺寸 :使输出特征图(Feature Map)尺寸与输入一致(如 same
填充)。 保护边缘信息 :防止边缘像素因卷积计算次数少而被忽略。 灵活调整输出大小 :通过填充量控制输出尺寸(如 valid
不填充,输出会缩小)
diff
- stride(设置步长)
- 实际代码实现:

池化层(降维、防止过拟合)
- 降低了后续网络层的输入维度,缩减模型大小,提高计算速度,并提高了FeatureMap 的鲁棒性,防止过拟合
- 对卷积层学习到的特征图进行下采样(subsampling)处理,主要由两种:
- 最大池化:Max Pooling,取窗口内的最大值作为输出
- 代码实现:

-
- 平均池化:Avg Pooling,取窗口内的所有值的均值作为输出
- 代码实现:

全连接层(输出结果)
将特征图转换成一维向量送入到全连接层中进行分类或回归的操作
卷积神经网络的构建
LeNet-5是一个较简单的卷积神经网络, 输入的二维图像,先经过两次卷积层,池化层,再经过全连接层,最后使用softmax分类作为输出层。
- 数据加载: 与神经网络的案例一致,首先加载数据集:
scss
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
- 数据处理 卷积神经网络的输入要求是:N H W C ,分别是图片数量,图片高度,图片宽度和图片的通道,因为是灰度图,通道为1
ini
# 数据处理:num,h,w,c
# 训练集数据
train_images = tf.reshape(train_images,
(train_images.shape[0],train_images.shape[1],train_images.shape[2], 1))
print(train_images.shape)
# 测试集数据
test_images = tf.reshape(test_images,
(test_images.shape[0],test_images.shape[1],test_images.shape[2], 1))
- 模型搭建 Lenet-5模型输入的二维图像,先经过两次卷积层,池化层,再经过全连接层,最后使用softmax分类作为输出层,模型构建如下
ini
# 模型构建
net = tf.keras.models.Sequential([
# 卷积层:6个5*5的卷积核,激活是sigmoid
tf.keras.layers.Conv2D(filters=6,kernel_size=5,activation='sigmoid',input_shape=(28,28,1)),
# 最大池化
tf.keras.layers.MaxPool2D(pool_size=2, strides=2),
# 卷积层:16个5*5的卷积核,激活是sigmoid
tf.keras.layers.Conv2D(filters=16,kernel_size=5,activation='sigmoid'),
# 最大池化
tf.keras.layers.MaxPool2D(pool_size=2, strides=2),
# 维度调整为1维数据
tf.keras.layers.Flatten(),
# 全卷积层,激活sigmoid
tf.keras.layers.Dense(120,activation='sigmoid'),
# 全卷积层,激活sigmoid
tf.keras.layers.Dense(84,activation='sigmoid'),
# 全卷积层,激活softmax
tf.keras.layers.Dense(10,activation='softmax')
])
- 模型编译 设置优化器和损失函数:
ini
# 优化器
optimizer = tf.keras.optimizers.SGD(learning_rate=0.9)
# 模型编译:损失函数,优化器和评价指标
net.compile(optimizer=optimizer,
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
- 模型训练
ini
# 模型训练
net.fit(train_images, train_labels, epochs=5, validation_split=0.1)
- 模型评估
ini
# 模型评估
score = net.evaluate(test_images, test_labels, verbose=1)
print('Test accuracy:', score[1])