04卷积神经网络

一. 卷积神经网络定义与比较

1.     全连接神经网络的缺点

  • 参数太多,在cifar-10的数据集中,只有32*32*3,就会有这么多权重,如果说更大的图片,比如200*200*3就需要120000多个,这完全是浪费
  • 没有利用像素之间位置信息,对于图像识别任务来说,每个像素与周围的像素都是联系比较紧密的。
  • 层数限制

2.     卷积神经网络

神经网络的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer,又叫下采样层)。

l  卷积层:通过在原始图像上平移来提取特征,每一个特征就是一个特征映射

l  池化层:通过特征后稀疏参数来减少学习的参数,降低网络的复杂度(最大池化和平均池化)

二. 卷积神经网络的结构(面试重点)

1.     卷积层过滤器

 04卷积神经网络

 

 

2.     激活函数Re-lu

    f(x) = max(0,x)

 04卷积神经网络

 

 

第一,采用sigmoid等函数,反向传播求误差梯度时,计算量相对大,而采用Relu激活函数,整个过程的计算量节省很多

第二,对于深层网络,sigmoid函数反向传播时,很容易就会出现梯度消失的情况(求不出权重和偏置)

3.     池化层

Pooling层主要的作用是特征提取,通过去掉Feature Map中不重要的样本,进一步减少参数数量。Pooling的方法很多,最常用的是Max Pooling。

4.     全连接层

前面的卷积和池化相当于做特征工程,后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用

三. 卷积层的零填充

卷积核在提取特征映射时的动作称之为padding(零填充),由于移动步长不一定能整出整张图的像素宽度。其中有两种方式,SAME和VALID

l  SAME:越过边缘取样,取样的面积和输入图像的像素宽度一致。

l  VALID:不越过边缘取样,取样的面积小于输入人的图像的像素宽度

四. 相关API

1.     卷积网络

tf.nn.conv2d(input, filter, strides=, padding=, name=None)

计算给定4-D input和filter张量的2维卷积

l  input:给定的输入张量,具有[batch,heigth,width,channel],类型为float32,64

l  filter:指定过滤器的大小,[filter_height, filter_width, in_channels, out_channels]

l  strides:strides = [1, stride, stride, 1],步长

l  padding:“SAME”, “VALID”,使用的填充算法的类型,使用“SAME”。其中”VALID”表示滑动超出部分舍弃,“SAME”表示填充,使得变化后height,width一样大

2.     激活函数

tf.nn.relu(features, name=None)  features:卷积后加上偏置的结果return:结果

3.     池化层

tf.nn.max_pool(value, ksize=, strides=, padding=,name=None) 输入上执行最大池数

  • value:4-D Tensor形状[batch, height, width, channels]
  • ksize:池化窗口大小,[1, ksize, ksize, 1]
  • strides:步长大小,[1,strides,strides,1]
  • padding:“SAME”, “VALID”,使用的填充算法的类型,使用“SAME”

附:案例代码

 1 # 初始化权重和偏置
 2 def init_weight(shape):
 3     weight = tf.Variable(tf.random_normal(shape, mean=0.0, stddev=1.0), name="w")
 4     return weight
 5 
 6 
 7 def init_bias(shape):
 8     bias = tf.Variable(tf.constant(0.0, shape=shape))
 9     return bias
10 
11 
12 def model():
13     """
14     自定义得卷积模型
15     :return: 
16     """
17     # 1.建立占位符
18     with tf.variable_scope("data"):
19         x = tf.placeholder(tf.float32, [None, 784])
20         y_true = tf.placeholder(tf.int64, [None, 10])
21 
22     # 2.卷积层1
23     with tf.variable_scope("conv1"):
24         w_conv1 = init_weight([5, 5, 1, 32])
25         b_conv1 = init_bias([32])
26         x_reshape = tf.reshape(x, [-1, 28, 28, 1])
27         # [None,28,28,1]->[None,28,28,32]
28         x_relu1 = tf.nn.relu(tf.nn.conv2d(x_reshape, w_conv1, strides=[1, 1, 1, 1], padding="SAME") + b_conv1)
29         # 池化2*2 [None,28,28,32]->[None,14,14,32]
30         x_pool1 = tf.nn.max_pool(x_relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
31 
32     # 3.卷积层2
33     with tf.variable_scope("conv2"):
34         w_conv2 = init_weight([5, 5, 32, 64])
35         b_conv2 = init_bias([64])
36 
37         # [None,14,14,32]->[None,14,14,64]
38         x_relu2 = tf.nn.relu(tf.nn.conv2d(x_pool1, w_conv2, strides=[1, 1, 1, 1], padding="SAME") + b_conv2)
39         # 池化2*2 [None,14,14,64]->[None,7,7,64]
40         x_pool2 = tf.nn.max_pool(x_relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
41 
42     # 4.全连接层 [None,7,7,64]->[None,7*7*64]*[7*7*64,10]->[None,10]
43     with tf.variable_scope("allconv"):
44         w_conv = init_weight([7*7*64, 10])
45         b_conv = init_bias([10])
46 
47         x_pool_reshape = tf.reshape(x_pool2, [-1, 7 * 7 * 64])
48         y_predict = tf.matmul(x_pool_reshape, w_conv) + b_conv
49 
50     return x, y_true, y_predict
51 
52 
53 def conv_fc():
54     # 获取数据
55     mnist = input_data.read_data_sets("./tmp/input_data", one_hot=True)
56 
57     # 定义模型,得出输出
58     x, y_true, y_predict = model()
59 
60     # 求损失平均值
61     with tf.variable_scope("soft_cross"):
62         # 求平均交叉熵损失
63         loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))
64 
65     # 梯度下降求出损失
66     with tf.variable_scope("optimizer"):
67         train_op = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
68 
69     # 计算准确率
70     with tf.variable_scope("acc"):
71         equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
72         # 计算张量平均值
73         accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
74 
75     init_op = tf.global_variables_initializer()
76     with tf.Session() as sess:
77         sess.run(init_op)
78 
79         for i in range(1000):
80             # 取出目标值,特征值
81             m_x, m_y = mnist.train.next_batch(50)
82             sess.run(train_op, feed_dict={x: m_x, y_true: m_y})
83             print("第%d步,准确率:%f" % (i, sess.run(accuracy, feed_dict={x: m_x, y_true: m_y})))

 

上一篇:安装数据库的java应用程序


下一篇:【Laravel】安装composer,安装laravel安装器,使用laravel new blog安装项目