上一篇，我們主要介紹了深層神經網絡模型的結構和常用的標記方法，詳細推導了深層神經網絡模型的正向傳播和反向傳播過程，并在最后介紹了多分類 Softmax 模型。

本文我將帶領大家通過搭建一個較深層的神經網絡來解決一個貓、狗的分類問題。這是一個典型的二分類問題。輸入是一張圖片，我們會把 3 通道的 RGB 圖片拉伸為一維數據作為神經網絡的輸入層。神經網絡的輸出層包含一個神經元，經過 Softmax 輸出概率值 $P$，若 $P>0.5$，則判斷為貓（正類），若 $P\leq 0.5$，則判斷為非貓（負類）。

對于整個神經網絡模型，我們可以選擇使用不同層數，以此來比較模型分類的性能，從而得到較深的神經網絡及分類效果更好的結論。但這也不是絕對的，并不是說網絡層數越多越好。接下來，我就帶大家一步步構建神經網絡模型。

導入數據集

首先，我們導入構建模型所需的數據集。

該數據集分為訓練（Train）集和測試（Test）集，訓練集共有 250 張貓的圖片和 250 張狗的圖片，測試集共有 100 張貓的圖片和 100 張狗的圖片。我們需要訓練神經網絡模型來識別圖片是否為貓類，最終模型在測試集上進行正確率的驗證。

說明：本文所有代碼均在 Jupyter Notebook 中編寫實現。

首先導入數據集：

import skimage.io as io import numpy as np# 訓練樣本 file='./data/train/*.jpg' coll = io.ImageCollection(file)# 500 個訓練樣本?

總結

以上是生活随笔為你收集整理的第09课：项目实战——让你的神经网络模型越来越深的全部內容，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。