DL之CNN：利用自定義DeepConvNet【7+1】算法對mnist數(shù)據(jù)集訓練實現(xiàn)手寫數(shù)字識別并預測(超過99%)

?

?

目錄

輸出結(jié)果

設(shè)計思路

核心代碼

---

?

?

輸出結(jié)果

準確度都在99%以上

?

1、出錯記錄

col = np.zeros((N, C, filter_h, filter_w, out_h, out_w))
MemoryError

?

?

?

設(shè)計思路

1、網(wǎng)絡(luò)結(jié)構(gòu)

2、總體框架

?

?

核心代碼

class DeepConvNet:def __init__(self, input_dim=(1, 28, 28),conv_param_1 = {'filter_num':16, 'filter_size':3, 'pad':1, 'stride':1},conv_param_2 = {'filter_num':16, 'filter_size':3, 'pad':1, 'stride':1},conv_param_3 = {'filter_num':32, 'filter_size':3, 'pad':1, 'stride':1},conv_param_4 = {'filter_num':32, 'filter_size':3, 'pad':2, 'stride':1},conv_param_5 = {'filter_num':64, 'filter_size':3, 'pad':1, 'stride':1},conv_param_6 = {'filter_num':64, 'filter_size':3, 'pad':1, 'stride':1},hidden_size=50, output_size=10):# 初始化權(quán)重===========……def predict(self, x, train_flg=False):……def loss(self, x, t): ……return acc / x.shape[0]def gradient(self, x, t):# forwardself.loss(x, t)# backward……return gradsdef save_params(self, file_name="params.pkl"):……def load_params(self, file_name="params.pkl"):……for i, layer_idx in enumerate((0, 2, 5, 7, 10, 12, 15, 18)):self.layers[layer_idx].W = self.params['W' + str(i+1)]self.layers[layer_idx].b = self.params['b' + str(i+1)]

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的DL之CNN：利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别并预测(超过99%)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。