模型源自Yann LeCun(1998)的論文《Gradient-Based Learning Applied to Document Recognition》，用于MNIST數(shù)據(jù)集。模型輸入為32X32的灰度圖像，第一層為6個(gè)5X5卷積核，不擴(kuò)展邊界；第二層為2X2的最大值池化層，步進(jìn)為2X2；第三層為16個(gè)5X5卷積核，不擴(kuò)展邊界；第四層為2X2的最大值池化層，步進(jìn)為2X2；第五層為展平層，并全連接120個(gè)節(jié)點(diǎn)；第六層為全連接層，84個(gè)節(jié)點(diǎn)；第七層為全連接softmax層，輸出結(jié)果。

??????? 原論文中第二層池化層和第三層卷積層之間為是部分連接。本文中并未考慮，而是做成全連接，模型結(jié)構(gòu)如下圖所示。

?

??????? 模型采用keras的Sequential實(shí)現(xiàn)，源數(shù)據(jù)分為train和test兩個(gè)文件夾，每個(gè)文件夾下有十個(gè)子文件夾，分別方有各數(shù)字對應(yīng)的灰度圖。實(shí)現(xiàn)代碼如下：

import os import cv2 from numpy import * from keras.models import Sequential from keras.layers import Dense from keras.layers import Conv2D, MaxPooling2D, Flatten from keras.optimizers import SGD from keras.utils import np_utils from keras.utils.vis_utils import plot_modeldef loadData(path):data = []labels = []for i in range(10):dir = './'+path+'/'+str(i)listImg = os.listdir(dir)for img in listImg:data.append([cv2.imread(dir+'/'+img, 0)])labels.append(i)print path, i, 'is read'return data, labelstrainData, trainLabels = loadData('train') testData, testLabels = loadData('test') trainLabels = np_utils.to_categorical(trainLabels, 10) testLabels = np_utils.to_categorical(testLabels, 10)model = Sequential() model.add(Conv2D(filters=6, kernel_size=(5,5), padding='valid', input_shape=(1,28,28), activation='tanh')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Conv2D(filters=16, kernel_size=(5,5), padding='valid', activation='tanh')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Flatten()) model.add(Dense(120, activation='tanh')) model.add(Dense(84, activation='tanh')) model.add(Dense(10, activation='softmax')) sgd = SGD(lr=0.05, decay=1e-6, momentum=0.9, nesterov=True) model.compile(optimizer=sgd, loss='categorical_crossentropy', metrics=['accuracy']) model.fit(trainData, trainLabels, batch_size=500, epochs=20, verbose=1, shuffle=True)plot_model(model, to_file='model.png', show_shapes=True, show_layer_names=False)

網(wǎng)絡(luò)結(jié)構(gòu)圖如下：

總結(jié)

以上是生活随笔為你收集整理的Keras实现LeNet-5网络，与可视化网络的全部內(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(cuò)，歡迎將生活随笔推薦給好友。