CNN神经网络

最新推荐文章于 2022-09-06 21:11:32 发布

chenyuezi2033

最新推荐文章于 2022-09-06 21:11:32 发布

阅读量209

点赞数

原文链接：https://my.oschina.net/u/2511906/blog/3102674

版权

1 CNN主要用于计算机视觉方面，也就是图像处理。之前的神经网络在这些方面也表现不错,为啥还要出现CNN?传统的神经网络采用的的输入层、隐藏层、输出层也基本是是用的全连接，这样就造成参数太多，训练时间长，结果就就造成经济上的不划算，为了追求更高的利益，就有人想用更短的时间得到相同的效果。

2 可是为啥CNN就能解决上面的参数过多的问题呢？我想举个成语来说明这个问题，有个成语叫做“一叶知秋”，也就通过一片树叶就能知道是秋天。或许这个也不太形象。在我们生活中，我们想要辨别一个人是是谁，我们不需要看到这个人的整体，我们就看到这个人的脸，我们就能判断这个人是谁。这个在CNN中就叫做局部感知。可是我们人能判断一个人是谁，那是因为我们记住了这个人的脸部特征，那么机器怎么判断呢？机器就要学习到这个脸部特征，这个特征如何学到呢？就是通过卷积核学到的。但是同一个人在照片的不同位置还是这个人，那么我们想想，如果我们要表示这个人，那么这个人的卷积核的参数应该是一样的吧。猜测是这样，事实就是这样的。利用这个特性，CNN采用了权重共享的方式，也得以往的神网络的参数大幅度减少，在时间上有有了较大的飞跃，

从第2条的举例中，我们可以得出CNN的几大特征： 1 具有通过图形的局部就能判断该图形是啥 2 对于同一东西，可以用同一个卷积核表示，也就不在乎该东西在图形的哪个位置 3 权重共享使得参数大幅度的降低

3 CNN的组成 1 卷积层（主要是卷积核）抽取特征 2 池化层（取个名字叫池化核，但是操作可跟卷积核不一样）保留住主要的特征，丢弃次要的特征，也就利用局部感知的特点 3 激活层就是为了保证数据不给程序造成溢出（只是一个优点），还有为了方便程序的出处理，

4 会遇到的问题

1 卷积核是怎么得到的呢？其实问题也很简单，也困惑了我很久。卷积核是通过学习得到的。如何初始化看下面这篇博客 https://blog.csdn.net/m0_37780420/article/details/80365993

2 每层卷积核的数目不同，卷积后的层是不是卷积核数量的乘积呢？不是的，假设第一层的卷积核为6个，图像为2828，第一层卷积后为62828（注意这里使用的padding="same",如果不是，则不一样的），第三层的卷积核为8个，那么卷积后的依然是862828，只是深度不一样。

5 用一句来来说：CNN就是神经网络的全连接里面有很多权重为0，很多神经元共用相同的的权重。

6 下面是使用keras对CNN进行举例

注意：我是把数据集下载到本地了

import numpy as np

from keras import Sequential

from keras.datasets import mnist

from keras.utils import np_utils

from keras.layers import Dense,Activation,Convolution2D,MaxPool2D,Flatten

def load_data(path):

path =path

f = np.load(path)

x_train, y_train = f['x_train'], f['y_train']

x_test, y_test = f['x_test'], f['y_test']

f.close()

return (x_train, y_train), (x_test, y_test)

(x_train,y_train),(x_test,y_test)=load_data(path="d:/test/mnist.npz")

#-1指的是不知道有多少个图片，1,指的是通道，28,28，长宽 #对数据进行预处理

x_train=x_train.reshape(-1,1,28,28)

x_test=x_test.reshape(-1,1,28,28)

y_train=np_utils.to_categorical(y_train,num_classes=10)

y_test=np_utils.to_categorical(y_test,num_classes=10)

#建立model

model = Sequential()

#创建一个卷积层输出32,28,28

model.add(Convolution2D(