本文介绍了基于卷积神经网络（CNN）构建的图像情感分析模型，模型包括3个卷积层、2个池化层、4个激活函数层、2个Dropout层、2个全连接层和1个分类层。图像初始大小为100*100，经过处理后变为4*4，最后通过Flatten层和全连接层进行情感分类。模型训练迭代13次，使用ReLU激活函数并采用Dropout层防止过拟合。
图像情感分析模型是基于卷积神经网络建立的，卷积神经网络的构建用了keras库，具体代码实现以及代码运行在下一篇贴出。
模型包括3个卷积层、2个池化层、4个激活函数层、2个Dropout层、2个全连接层、1个Flatten层和最终分类层。
图片初始化是100*100大小，卷积层卷积核的个数都是32个，大小是13*13，经过三层卷积和两层池化，每张图片处理为4*4大小，经Flatten层压扁成一维进入全连接层，第一个全连接层指定了128个神经元，进入Dropout层，目的是为了防止过拟合，当然在Flatten层之前还有一个Dropout层，最后是一个全连接层和一个分类层，激活函数层伴随着每一个卷积层之后和第一个全连接层之后。模型训练迭代次数选择13次。
具体实现过程如图1所示：
图1 图像情感分析模型
建立模型
卷积层：主要是Convolution2D()函数。2D代表这是一个2维卷积，其功能为对2维输入进行卷积计算。我们的图像数据尺寸为100 * 100，所以在这里需要使用2维卷积函数计算卷积。所谓的卷积计算，其实就是利用卷积核逐个像素、顺序进行计算，简化过程如图2：
最低0.47元/天 解锁文章
扫一扫
428
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
