TensorFlow学习（8）卷积神经网络CNN

最新推荐文章于 2022-06-10 08:30:00 发布

换头像真麻烦

最新推荐文章于 2022-06-10 08:30:00 发布

阅读量1.1k

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/HAIYUANBOY/article/details/89882698

版权

卷积神经网络（CNN）源于视觉神经元的局部感受野概念，有效减少了传统神经网络的权值数量。通过卷积、池化等操作，CNN能提取图像特征并用于识别任务，如手写数字识别，实现高准确率。使用TensorFlow进行CNN建模，通过SAME和VALID padding调整，并结合池化层，避免过拟合和欠拟合，最终模型在测试集上准确率超过99%。通过TensorBoard进行可视化分析。

摘要由CSDN通过智能技术生成

传统神经网络权值太多，计算量太大，需要大量样本进行训练，根据经验，一般来说样本的数量最好是权值数量的 5 - 30 倍，如有1万个权值，最好有5万-10万个样本来训练

局部感受野

他们发现了每一个视觉神经元只会处理一小块区域的视觉图像，即感受野（Receptive Field）。卷积神经网络的概念即出自于此。

卷积神经网络CNN

第一个卷积特征由黄色区域计算：1*1+1*0+1*1+0*0+1*1+1*0+0*1+0*0+1*1=4

多个卷积核

经过不同的卷积核得到不同的特征图，所以我们可以认为不同的卷积核可以对不同的特征进行采样，不同的特征对图片的分类有很大的作用，单一的特征可能会影响分类的效果

对卷积的操作

SAME PADDING 和 VALID PADDING

参考：TensorFlow中CNN的两种padding方式“SAME”和“VALID”

卷积后一般会加上池化层进行池化操作

池化

对于池化的操作

处理过程

手写数字识别使使用卷积神经网络案例

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

batch_size = 100
n_batch = mnist.train.num_examples // batch_size

# 初始化权值
def weight_variables(shape):
    initial = tf.truncated_normal(shape, stddev=0.1) # 截断正太分布
    return tf.Variable(initial)

# 初始化偏置
def biases_variables(shape):
    initial = tf.