简单的CNN神经网络应用计算

最新推荐文章于 2025-01-14 15:22:08 发布

SinsoledadFairy

最新推荐文章于 2025-01-14 15:22:08 发布

阅读量648

点赞数

本文链接：https://blog.csdn.net/SinsoledadFairy/article/details/106047619

版权

简单的CNN神经网络应用计算

一、具体要求：

1、卷积层使用一个函数进行表示，池化层使用一个函数进行表示，不同参数的卷积层 /池化层使用相同的函数输入不同的参数来实现
2、卷积层采用 3×3 的卷积窗口，卷积操作使用 same 型卷积，池化层使用 2×2 的窗口实现
3、卷积层后输出数据通过激活函数进行处理，激活函数使用 sigmoid 函数进行实现
4、整体输入数据与输出数据使用数组进行存储，输入输出数据均使用 float 型数据表示
5、整体构成及参数如下所示，图中上层的输出数据为下层的输入数据
（表中参数信息中变量意思为：f 为处理窗口的大小，p 为输入数据补零个数，s 为窗口滑动步长， d 为参数的深度/组数）

	参数信息	输入数据维度	输出数据维度
conv1	f=3; p=1; s=1; d=64	224×224×3	224×224×64
conv2	f=3; p=1; s=1; d=64	224×224×64	224×224×64
pool1	f=2; s=2	224×224×64	112×112×64
conv3	f=3; p=1; s=1; d=128	112×112×64	112×112×128
conv4	f=3; p=1; s=1; d=128	112×112×128	112×112×128
pool2	f=2; s=2	112×112×128	56×56×128

二、常用卷积操作类型

神经网络常用的卷积操作类型有：full、same、vaild 三种

full 型卷积：卷积窗口从与输入图像开始有相交部分即开始进行卷积
same 型卷积：从卷积窗口的中心点（K）与输入图像的边角相交开始进行卷积
vaild 型卷积：从卷积窗口与输入图像完全相交开始进行卷积

三、常用的激活函数类型

sigmoid 函数此函数将取值为( ﹣∞, ∞ ) 的数映射到(0,1)上，其公式及图形如下所示：
tanh 函数此函数将取值为( ﹣∞, ∞)的数映射到( 1,1) − 上，其公式及图形如下所示：
ReLu 函数又称修正线性单元，弥补了上述函数的梯度消失问题

四、实现代码

输入数据：

input_data = np.random.uniform(0,1,size=[3,224,224])

卷积层：

def conv(input_data, f, p, s, d):

    sd,x,y = input_data.shape
    conv = np.random.randint(-1,2,size=[sd,d,f,f])
    new_x = int(x + 2*p)
    new_y = int(y + 2*p)
     #随机生成数值在[-1,1]之间的f*f大小卷积核
    output_data_1 = np.pad(input_data,((0,0),(p,p),(p,p)),'constant')#补零 
    output_data_2 = np.zeros((d,sd,x,y))
    output_data = np.zeros((d,x,y)))#数组初始化 
    for i in range(0,d):
        for j in range(0,sd):
            for p in range(0,new_x-f+1):
                for q in range(0,new_y-f+1):
                    new_array = output_data_1[j,p:p+f,q:q+f]#取出需要卷积的数据
                    new_data = new_array * conv[j][i]#与权重进行卷积 
                    output_data_2[i][j][p][q] = new_data.sum()#不同通道的数值和 
            output_data[i] += output_data_2[i][j]

    return(sigmoid(output_data))

激活函数：

def sigmoid(input_data):
    
    sd,x,y = input_data.shape
    output_data = np.zeros((sd,x,y))
    for j in range(0,sd):
        for p in range(0,x):
            for q in range(0,y):
                output_data[j][p][q] = (1/(1+np.exp(-input_data[j][p][q])))

    return(output_data)

池化层：

def conv(input_data, f, p, s, d):#最大池化 

    sd,x,y = input_data.shape
    conv = np.random.randint(-1,2,size=[sd,d,f,f])
    new_x = int(x + 2*p)
    new_y = int(y + 2*p)
    output_data_1 = np.pad(input_data,((0,0),(p,p),(p,p)),'constant')
    output_data_2 = np.zeros((d,sd,x,y))
    output_data = np.zeros((d,x,y))
    for i in range(0,d):
        for j in range(0,sd):
            for p in range(0,new_x-f+1):
                for q in range(0,new_y-f+1):#找出被池化数据中最大值 
                    new_array = output_data_1[j,p:p+f,q:q+f]
                    new_data = new_array * conv[j][i]
                    output_data_2[i][j][p][q] = new_data.sum()
            output_data[i] += output_data_2[i][j]

    return(sigmoid(output_data))

每一层的输出：

outputdata1 = conv(input_data,3,1,1,64)
outputdata2 = conv(outputdata1,3,1,1,64)
outputdata3 = pool(outputdata2,2,2)
outputdata4 = conv(outputdata3,3,1,1,128)
outputdata5 = conv(outputdata4,3,1,1,128)
outputdata6 = pool(outputdata5,2,2)