通過nn.Sequential構造LeNet ,MXNet將自動構造向前函數，按順序執行添加的LeNet 卷積神經網絡是一種特殊的多層神經網絡。與幾乎所有其他神經網絡一樣，它們都經過了反向傳播算法的訓練。它們的不同之處在于體系結構。
卷積神經網絡是設計用來直接從像素圖像中識別視覺模式的最小預處理。
它們能夠識別具有極端可變性的模式(例如手寫字符)，并且對扭曲和簡單幾何變換具有魯棒性。

from mxnet.gluon import nnnet = nn.Sequential()#創建卷積神經網絡net.add(#卷積層+池化層+卷積層+池化層+3個密集層，最后輸出的第二維度為10nn.Conv2D(channels=6, kernel_size=5, activation='relu'),nn.MaxPool2D(pool_size=2, strides=2),nn.Conv2D(channels=16, kernel_size=3, activation='relu'),nn.MaxPool2D(pool_size=2, strides=2),nn.Dense(120, activation="relu"),nn.Dense(84, activation="relu"),nn.Dense(10))print(net)Sequential((0): Conv2D(None -> 6, kernel_size=(5, 5), stride=(1, 1))(1): MaxPool2D(size=(2, 2), stride=(2, 2), padding=(0, 0), ceil_mode=False)(2): Conv2D(None -> 16, kernel_size=(3, 3), stride=(1, 1))(3): MaxPool2D(size=(2, 2), stride=(2, 2), padding=(0, 0), ceil_mode=False)(4): Dense(None -> 120, Activation(relu))(5): Dense(None -> 84, Activation(relu))(6): Dense(None -> 10, linear))net.initialize()#x shape:(batch_size, color_channels, height, width)x = nd.random.uniform(shape=(4,1,28,28))y = net(x)print(y.shape)print(net[0].weight.data().shape, net[5].bias.data().shape) Sequential((0): Conv2D(None -> 6, kernel_size=(5, 5), stride=(1, 1))(1): MaxPool2D(size=(2, 2), stride=(2, 2), padding=(0, 0), ceil_mode=False)(2): Conv2D(None -> 16, kernel_size=(3, 3), stride=(1, 1))(3): MaxPool2D(size=(2, 2), stride=(2, 2), padding=(0, 0), ceil_mode=False)(4): Dense(None -> 120, Activation(relu))(5): Dense(None -> 84, Activation(relu))(6): Dense(None -> 10, linear) )

(4, 10)
(6, 1, 5, 5) (84,)

總結

以上是生活随笔為你收集整理的mxnet基础到提高(5)-－ 卷积神经网络基础(1)的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。