5.2_卷积神经网络
1、理论部分
- 卷积神经网络
- 卷积操作、池化操作
- 深度可分离卷积
- 数据增强
- 迁移学习
1.1、卷积神经网络
1.1.1 结构
- 卷积神经网络
- (卷积层 + 池化层(可选)) * N + 全连接层 * M ;
(其中,N >= 1,M >= 0,卷积层输入输出均为矩阵,全连接层输入输出均为向量。连接方法就是在卷积的最后一层做一个展平处理。全连接层输出可以是一个值,也可以是一个向量,也就是回归和分类。) - 分类任务、回归任务;
- (卷积层 + 池化层(可选)) * N + 全连接层 * M ;
- 全卷积神经网络
- (卷积层 + 池化层(可选)) * N + 反卷积层 * K;
- 物体分割
1.1.2 神经网络遇到的问题
- 参数过多
- 计算资源不足
- 容易过拟合,需要更多训练数据
答案:3 * 3 * 3 * 192
完美解答
2、实战部分
- keras实现卷积神经网络
- keras实现深度可分离卷积
- keras实战kaggle
- 10 monkeys和cifar10
- 数据增强与迁移学习
2.1、keras实现卷积神经网络
#深度神经网络
model = keras.models.Sequential()
#定义第一个卷积层
model.add(keras.layers.Conv2D(filters = 32, #32个通道(32个卷积核)
kernel_size=3, #卷积核大小为3
padding='same', #平均值池化
activation='relu', #加padding是否要输入和输出大小一样
input_shape=(28,28,