LeNet卷积神经网络——识别手写数字图像

最新推荐文章于 2023-02-21 14:04:31 发布

Vicky_xiduoduo

最新推荐文章于 2023-02-21 14:04:31 发布

阅读量471

点赞数

文章标签：神经网络深度学习

本文链接：https://blog.csdn.net/Vicky_xiduoduo/article/details/120075399

版权

该博客介绍了如何使用MXNet的Gluon API构建经典的LeNet卷积神经网络模型。LeNet由两个卷积层块和三个全连接层组成，每个卷积层后接最大池化层，用于图像模式识别和位置不敏感性。全连接层将特征平面展平，最终输出10个类别。示例代码展示了如何通过Sequential类逐层构建模型，并展示每一层的输出形状。

摘要由CSDN通过智能技术生成

LeNet由卷积层块和全连接层块组成。

卷积层块里的基本单位是卷积层后接最大池化层。卷积层用来识别图像里的空间模式，如线条和物体局部，之后的最大池化层用来降低卷积层对位置的敏感性。卷积层块由两个这样的基本单位重复堆叠构成。卷积层块的输出形状为（批量大小，通道，高，宽）。

全连接层块会将小批量中每个样本变平，也就是说，全连接层的输入形状将变成二维，其中第一维是小批量中的样本，第二维是每个样本变平后的向量表示，且向量长度为通道、高和宽的乘积。

以下通过Sequential类实现LeNet模型：

import d2lzh as d2l
import mxnet as mx
from mxnet import autograd, gluon, init, nd
from mxnet.gluon import loss as gloss,nn
import time

net=nn.Sequential()
net.add(nn.Conv2D(channels=6,kernel_size=5,activation='sigmoid'),
nn.MaxPool2D(pool_size=2,strides=2),
nn.Conv2D(channels=16,kernel_size=5,activation='sigmoid'),
nn.MaxPool2D(pool_size=2,strides=2),
nn.Dense(120,activation='sigmoid'),
nn.Dense(84,activation='sigmoid'),
nn.Dense(10))

X=nd.random.uniform(shape=(1,1,28,28))
net.initialize()
for layer in net:
X=layer(X)
print(layer.name,'output shape:\t',X.shape)