@Author：Runsen

https://blog.csdn.net/weixin_44510615/article/details/117409037

卷積神經(jīng)網(wǎng)絡(luò)

Yann LeCun 和Yoshua Bengio在1995年引入了卷積神經(jīng)網(wǎng)絡(luò)，也稱為卷積網(wǎng)絡(luò)或CNN。CNN是一種特殊的多層神經(jīng)網(wǎng)絡(luò)，用于處理具有明顯網(wǎng)格狀拓撲的數(shù)據(jù)。其網(wǎng)絡(luò)的基礎(chǔ)基于稱為卷積的數(shù)學運算。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）的類型以下是一些不同類型的CNN：

• 1D CNN：1D CNN 的輸入和輸出數(shù)據(jù)是二維的。一維CNN大多用于時間序列。

• 2D CNNN：2D CNN的輸入和輸出數(shù)據(jù)是三維的。我們通常將其用于圖像數(shù)據(jù)問題。

• 3D CNNN：3D CNN的輸入和輸出數(shù)據(jù)是四維的。一般在3D圖像上使用3D CNN，例如MRI（磁共振成像），CT掃描（甲CT掃描或計算機斷層掃描（以前稱為計算機軸向斷層或CAT掃描）是一種醫(yī)學成像 技術(shù)中使用的放射學獲得用于非侵入性詳述的身體的圖像診斷的目的）和其他復(fù)雜應(yīng)用程序的DICOM圖像（醫(yī)學數(shù)字成像）

網(wǎng)絡(luò)架構(gòu)

以下是CNN中不同層的網(wǎng)絡(luò)架構(gòu)：

• 卷積層

• 池化層

• 全連接層

CNN架構(gòu)的完整概述

卷積

卷積是對名為f和g的兩個函數(shù)的數(shù)學計算，得出第三個函數(shù)（f * g）。第三個功能揭示了一個形狀如何被另一個形狀修改。其數(shù)學公式如下：

卷積方程

卷積有幾個非常重要的概念：遮罩。

圖中的黃色的部分的就是遮罩

卷積層

卷積層是CNN的核心構(gòu)建塊。CNN是具有一些卷積層和其他一些層的神經(jīng)網(wǎng)絡(luò)。卷積層具有幾個進行卷積運算的過濾器。卷積層應(yīng)用于二維輸入，由于其出色的圖像分類工作性能而非常著名。它們基于具有二維輸入的小核k的離散卷積，并且該輸入可以是另一個卷積層的輸出。

帶濾波器的卷積層

在Keras中構(gòu)建卷積層

from?keras.models?import?Sequential from?keras.layers.convolutional?import?Conv2D model?=?Sequential() model.add(Conv2D(32,?(3,?3),?input_shape=(32,?32,?3),?padding='same',?activation='relu'))

上面的代碼實現(xiàn)說明：

• 輸出將具有32個特征圖。

• 內(nèi)核大小將為3x3。

• 輸入形狀為32x32，帶有三個通道。

• padding = same。這意味著需要相同尺寸的輸出作為輸入。

• 激活指定激活函數(shù)。

接下來，使用不同的參數(shù)值構(gòu)建一個卷積層，如下所示

池化層

池化層它的功能是減少參數(shù)的數(shù)量，并減小網(wǎng)絡(luò)中的空間大小。我們可以通過兩種方式實現(xiàn)池化：

• Max Pooling：表示矩形鄰域內(nèi)的最大輸出。

• Average Pooling：表示矩形鄰域的平均輸出

Max Pooling和Average Pooling減少了圖像的空間大小，提供了更少的特征和參數(shù)以供進一步計算。

池化層中的輸入和輸出矩陣

上圖顯示了帶有步幅為2的2X2濾波器的MaxPool池化層。

Max Pooling和Average Pooling的區(qū)別

在Keras中實現(xiàn)Max Pool層，如下所示：

model.add（MaxPooling2D（pool_size?=（2，2）））

全連接層

全連接層是確定最終預(yù)測的所有輸入和權(quán)重的總和，代表最后一個合并層的輸出。它將一層中的每個神經(jīng)元連接到另一層中的每個神經(jīng)元

全連接層的主要職責是進行分類。它與softmax激活函數(shù)一起使用以得到結(jié)果。

用于多類的激活函數(shù)是softmax函數(shù)，該函數(shù)以0和1（總計為1）的概率對完全連接的層進行規(guī)范化。

帶有非線性函數(shù)“ Softmax”的Keras代碼如下：

model.add(Dense(10,?activation='softmax'))

Python實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)

環(huán)境Google Colab

導(dǎo)入所有必需的庫

import?numpy?as?np import?pandas?as?pd from?keras.optimizers?import?SGD from?keras.datasets?import?cifar10 from?keras.models?import?Sequential from?keras.utils?import?np_utils?as?utils from?keras.layers?import?Dropout,?Dense,?Flatten from?keras.layers.convolutional?import?Conv2D,?MaxPooling2D

加載cifar10數(shù)據(jù)：

(X,?y),?(X_test,?y_test)?=?cifar10.load_data() #?規(guī)范化數(shù)據(jù) X，X_test?=?X.astype（'float32'）/?255.0，X_test.astype（'float32'）/?255.0

轉(zhuǎn)換為分類：

y，y_test?=?utils.to_categorical（y，10），u.to_categorical（y_test，10）

初始化模型：

model?=?Sequential()

使用以下參數(shù)添加卷積層：

• Features map ?= 32

• 內(nèi)核大小= 3x3

• 輸入形狀= 32x32

• Channels = 3

• Padding = 3→表示與輸入相同的尺寸輸出

model.add(Conv2D(32,?(3,?3),?input_shape=(32,?32,?3),?padding='same',?activation='relu')) #?Dropout model.add（Dropout（0.2）） #?添加另一個卷積層?padding?='valid'表示輸出尺寸可以采用任何形式 model.add（Conv2D（32，（3，3），activation?='relu'，padding?='valid'）） #?添加一個最大池化層 model.add（MaxPooling2D（pool_size?=（2，2））） #?展平 model.add（Flatten（）） #?Dense層?隱藏單元數(shù)為521 model.add(Dense(512,?activation='relu')) #?Dropout model.add（Dropout（0.3）） #output? model.add(Dense(10,?activation='softmax')) #?編譯模型?激活器選擇SGD model.compile(loss='categorical_crossentropy',?????????????optimizer=SGD(momentum=0.5,?decay=0.0004),?metrics=['accuracy'])

25個epochs

model.fit(X,?y,?validation_data=(X_test,?y_test),?epochs=25,??????????batch_size=512)

總結(jié)

卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的多層神經(jīng)網(wǎng)絡(luò)，主要用于提取特征。CNN使用稱為卷積和池化的兩個操作將圖像縮小為其基本特征，并使用這些特征適當?shù)乩斫夂头诸悎D像

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統(tǒng)計學習方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】越来越卷，教你使用Python实现卷积神经网络（CNN）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。