卷積神經(jīng)網(wǎng)絡(luò)三大特點

1.局部連接，局部連接會大大減少網(wǎng)絡(luò)的參數(shù)。在處理圖像這樣的高維度輸入時，讓每個神經(jīng)元都與前一層中的所有神經(jīng)元進(jìn)行全連接是不現(xiàn)實的。讓每個神經(jīng)元只與輸入數(shù)據(jù)的一個局部區(qū)域連接，該連接的空間大小叫做神經(jīng)元的感受野，它的尺寸是一個超參數(shù)，其實就是濾波器的空間尺寸。

2.權(quán)值共享，在卷積層中使用參數(shù)共享是用來控制參數(shù)的數(shù)量。每個濾波器與上一層局部連接，同時每個濾波器的所有局部連接都使用同樣的參數(shù)，此舉會同樣大大減少網(wǎng)絡(luò)的參數(shù)。

3.空間或時間上的下采樣，它的作用是逐漸降低數(shù)據(jù)的空間尺寸，這樣的話就能減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，使得計算資源耗費變少，也能有效控制過擬合。

卷積神經(jīng)網(wǎng)絡(luò)代碼實現(xiàn)

卷積神經(jīng)網(wǎng)絡(luò)【Convolutional Neural Networks，CNN】是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)【Feedforward Neural Networks】是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)【representation learning】能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類。

神經(jīng)網(wǎng)絡(luò)實質(zhì)上是多層函數(shù)嵌套形成的數(shù)學(xué)模型。1998年Yann LeCun等人推出了LeNet-5架構(gòu)，廣泛用于手寫字體識別，包含全連接層和sigmoid激活函數(shù)，還有卷積層和池化層。

1 # -*- coding： utf-8 -*-

2 “”“

3 Created on Wed Nov 21 17:32:28 2018

4

5 @author： zhen

6 ”“”

7

8 import tensorflow as tf

9 from tensorflow.examples.tutorials.mnist import input_data

10

11 mnist = input_data.read_data_sets（‘C:/Users/zhen/MNIST_data_bak/’， one_hot=True）

12 sess = tf.InteractiveSession（）

13

14 def weight_variable（shape）：

15 initial = tf.truncated_normal（shape， stddev=0.1）

16 return tf.Variable（initial）

17

18 def bias_variable（shape）：

19 initial = tf.constant（0.1， shape=shape）

20 return tf.Variable（initial）

21

22 def conv2d（x， W）：

23 return tf.nn.conv2d（x， W， strides=［1， 1， 1， 1］， padding=‘SAME’）

24

25 def max_pool_2x2（x）：

26 return tf.nn.max_pool（x， ksize=［1， 2， 2， 1］， strides=［1， 2， 2， 1］， padding=‘SAME’）

27

28 x = tf.placeholder（tf.float32， ［None， 784］）

29 y = tf.placeholder（tf.float32， ［None， 10］）

30 x_image = tf.reshape（x， ［-1， 28， 28， 1］）

31

32 # 第一層卷積核

33 W_conv = weight_variable（［5， 5， 1， 16］）

34 b_conv = bias_variable（［16］）

35 h_conv = tf.nn.relu（conv2d（x_image， W_conv） + b_conv）

36 h_pool = max_pool_2x2（h_conv）

37

38 # 第二層卷積核

39 W_conv2 = weight_variable（［5， 5， 16， 32］）

40 b_conv2 = bias_variable（［32］）

41 h_conv2 = tf.nn.relu（conv2d（h_pool， W_conv2） + b_conv2）

42 h_pool2 = max_pool_2x2（h_conv2）

43

44 # 全連接層

45 W_fc = weight_variable（［7 * 7 * 32， 512］）

46 b_fc = bias_variable（［512］）

47 h_pool_flat = tf.reshape（h_pool2， ［-1， 7 * 7 * 32］）

48 h_fc = tf.nn.relu（tf.matmul（h_pool_flat， W_fc） + b_fc）

49

50 # 防止過擬合，使用Dropout層

51 keep_prob = tf.placeholder（tf.float32）

52 h_fc_drop = tf.nn.dropout（h_fc， keep_prob）

53

54 # Softmax分類

55 W_fc2 = weight_variable（［512， 10］）

56 b_fc2 = bias_variable（［10］）

57 y_conv = tf.nn.softmax（tf.matmul（h_fc_drop， W_fc2） + b_fc2）

58

59 # 定義損失函數(shù)

60 cross_entropy = tf.reduce_mean（-tf.reduce_sum（y * tf.log（y_conv）， reduction_indices=［1］））

61 train_step = tf.train.AdamOptimizer（1e-4）.minimize（cross_entropy）

62 correct_prediction = tf.equal（tf.argmax（y_conv， 1）， tf.argmax（y， 1））

63 accuracy = tf.reduce_mean（tf.cast（correct_prediction， tf.float32））

64

65 # 訓(xùn)練

66 tf.global_variables_initializer（）.run（）

67 for i in range（20）：

68 batch = mnist.train.next_batch（50）

69 train_step.run（feed_dict={x:batch［0］， y:batch［1］， keep_prob:0.5}）

70

71 print（“test accuracy %g” % accuracy.eval（feed_dict={x:mnist.test.images， y:mnist.test.labels， keep_prob:1.0}））

結(jié)果：

1.算法模型不變，增大訓(xùn)練集數(shù)據(jù)【隱藏一層16個卷積核，隱藏二層32個卷積核，全連接層512，10分類】：

2.訓(xùn)練集數(shù)據(jù)不變，增大卷積核數(shù)【數(shù)據(jù)集為10000，全連接層512，10分類】：

責(zé)任編輯：YYX