深度学习——卷积神经网络

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 复制代码
- 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 复制代码
- 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 复制代码
(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 复制代码
# 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 复制代码
# 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 复制代码
# 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 复制代码
# 模型训练
net.fit(train_images, train_labels, epochs=5, validation_split=0.1)
  • 模型评估
ini 复制代码
# 模型评估
score = net.evaluate(test_images, test_labels, verbose=1)
print('Test accuracy:', score[1])
相关推荐
DashingGuy2 小时前
算法(keep learning)
java·数据结构·算法
兔兔西2 小时前
【数据结构、java学习】数组(Array)
java·数据结构·算法
007php0072 小时前
Go语言面试:传值与传引用的区别及选择指南
java·开发语言·后端·算法·面试·golang·xcode
小徐不徐说2 小时前
数据结构基础之队列:数组/链表
c语言·数据结构·算法·链表·面试
fantasy_arch3 小时前
SVT-AV1 svt_aom_motion_estimation_kernel 函数分析
人工智能·算法·av1
星逝*3 小时前
LeetCode刷题-top100( 矩阵置零)
算法·leetcode·矩阵
zandy10114 小时前
LLM与数据工程的融合:衡石Data Agent的语义层与Agent框架设计
大数据·人工智能·算法·ai·智能体
max5006004 小时前
本地部署开源数据生成器项目实战指南
开发语言·人工智能·python·深度学习·算法·开源
地平线开发者5 小时前
征程 6E/M|多 camera 场景示例
算法·自动驾驶