keras，FCN，mnist手写数字识别，实例，添加隐藏层，添加Dropout，防止过拟合

最新推荐文章于 2021-10-15 11:37:53 发布
最新推荐文章于 2021-10-15 11:37:53 发布
阅读量1.3k 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/iamcfb_/article/details/87542471
版权
该博客记录了使用Keras实现FCN模型对MNIST手写数字识别的过程，通过添加隐藏层和Dropout策略防止过拟合。训练过程中展示了损失(loss)和准确率(accuracy)的变化，最终得到训练准确率为97.78%，验证集上展示了模型的稳定表现。
摘要由CSDN通过智能技术生成 
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense,Dropout
from keras.optimizers import SGD

#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#(60000,28,28)
print('x_shape:',x_train.shape)
#(60000)
print('y_shape:',y_train.shape)

#(60000,28,28)->(60000,784)
x_train=x_train.reshape(x_train.shape[0],-1)/255.0 #除以255是归一化
x_test=x_test.reshape(x_test.shape[0],-1)/255.0
#换one_hot 格式，把像素点转变成0、1形式
y_train=np_utils.to_categorical(y_train,num_classes=10)#把y_train分成10个类别
y_test=np_utils.to_categorical(y_test,num_classes=10)

#创建模型，加入隐藏层，加入Dropout
model=Sequential([Dense(units=200,input_dim=784,bias_initializer='one',activation='tanh'),
                  Dropout(0.4),
                  Dense(units=100,input_dim=200,bias_initializer='one',activation='tanh'),
                  Dropout(0.4),
                  Dense(units=10,input_dim=100,bias_initializer='one',activation='softmax')])#bias_initializer='one',偏置值的初始值设为1

'''
#也可以用add()函数加隐藏层
model.add(Dense(...))
model.add(Dense(...))
'''
#定义优化器
sgd=SGD(lr=0.2)

#定义优化器，loss function，训练过程中计算准确率,二次代价函数改为categorical_crossentropy交叉熵函数
model.compile(optimizer=sgd, loss='categorical_crossentropy',metrics=['accuracy'])#这里还可以计算准确率

#训练模型，可以用fit函数
model.fit(x_train,y_train,batch_size=32,epochs=10)#从60000张图中每次拿32张来训练，60000张图训练完叫一个周期，一共训练10个周期

#评估模型，用evaluate（）函数
loss,accuracy=model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('test accuracy',accuracy)

loss,accuracy=model.evaluate(x_train,y_train)
print('\ntrain loss',loss)
print('train accuracy',accuracy)




结果：

   32/60000 [..............................] - ETA: 8:59 - loss: 2.9518 - acc: 0.1562
  480/60000 [..............................] - ETA: 42s - loss: 2.7830 - acc: 0.1542 
 1184/60000 [..............................] - ETA: 19s - loss: 2.0911 - acc: 0.3252
 1984/60000 [..............................] - ETA: 12s - loss: 1.6201 - acc: 0.4743
 2848/60000 [>.............................] - ETA: 9s - loss: 1.3482 - acc: 0.5667 
 3616/60000 [>.............................] - ETA: 8s - loss: 1.2158 - acc: 0.6098
 4448/60000 [=>............................] - ETA: 7s - loss: 1.1108 - acc: 0.6450
 5248/60000 [=>............................] - ETA: 6s - loss: 1.0207 - acc: 0.6736
 6048/60000 [==>...........................] - ETA: 6s - loss: 0.9490 - acc: 0.6964
 6816/60000 [==>...........................] - ETA: 5s - loss: 0.8987 - acc: 0.7152
 7616/60000 [==>...........................] - ETA: 5s - loss: 0.8628 - acc: 0.7281
 8448/60000 [===>..........................] - ETA: 5s - loss: 0.8309 - acc: 0.7388
 9248/60000 [===>..........................] - ETA: 4s - loss: 0.8005 - acc: 0.7484
10048/60000 [====>.........................] - ETA: 4s - loss: 0.7775 - acc: 0.7564
10912/60000 [====>.........................] - ETA: 4s - loss: 0.7524 - acc: 0.7644
11776/60000 [====>.........................] - ETA: 4s - loss: 0.7285 - acc: 0.7711
12640/60000 [=====>........................] - ETA: 4s - loss: 0.7105 - acc: 0.7767
13408/60000 [=====>........................] - ETA: 4s - loss: 0.7013 - acc: 0.7798
14144/60000 [======>.......................] - ETA: 3s - loss: 0.6903 - acc: 0.7841
14912/60000 [======>.......................] - ETA: 3s - loss: 0.6766 - acc: 0.7888
15744/60000 [======>.......................] - ETA: 3s - loss: 0.6633 - acc: 0.7933
16512/60000 [=======>......................] - ETA: 3s - loss: 0.6509 - acc: 0.7971
17312/60000 [=======>......................] - ETA: 3s - loss: 0.6402 - acc: 0.8008
18144/60000 [========>.....................] - ETA: 3s - loss: 0.6307 - acc: 0.8041
18976/60000 [========>.....................] - ETA: 3s - loss: 0.6218 - acc: 0.8067
19744/60000 [========>.....................] - ETA: 3s - loss: 0.6123 - acc: 0.8097
20576/60000 [=========>....................] - ETA: 3s - loss: 0.6060 - acc: 0.8117
21344/60000 [=========>....................] - ETA: 3s - loss: 0.6000 - acc: 0.8141
22208/60000 [==========>...................] - ETA: 2s - loss: 0.5913 - acc: 0.8169
22976/60000 [==========>...................] - ETA: 2s - loss: 0.5843 - acc: 0.8188
23808/60000 [==========>...................] - ETA: 2s - loss: 0.5789 - acc: 0.8208
24640/60000 [===========>..................] - ETA: 2s - loss: 0.5747 - acc: 0.8224
25472/60000 [===========>..................] - ETA: 2s - loss: 0.5694 - acc: 0.8239
26208/60000 [============>.................] - ETA: 2s - loss: 0.5651 - acc: 0.8250
27072/60000 [============>.................] - ETA: 2s - loss: 0.5595 - acc: 0.8265
27840/60000 [============>.................] - ETA: 2s - loss: 0.5539 - acc: 0.8282
28704/60000 [=============>................] - ETA: 2s - loss: 0.5499 - acc: 0.8298
29376/60000 [=============>................] - ETA: 2s - loss: 0.5454 - acc: 0.8311
30176/60000 [==============>...............] - ETA: 2s - loss: 0.5414 - acc: 0.8326
30976/60000 [==============>...............] - ETA: 2s - loss: 0.5380 - acc: 0.8338
31776/60000 [==============>...............] - ETA: 2s - loss: 0.5323 - acc: 0.8353
32544/60000 [===============>..............] - ETA: 2s - loss: 0.5289 - acc: 0.8364
33344/60000 [===============>..............] - ETA: 1s - loss: 0.5245 - acc: 0.8377
34176/60000 [================>.............] - ETA: 1s - loss: 0.5209 - acc: 0.8386
34976/60000 [================>.............] - ETA: 1s - loss: 0.5169 - acc: 0.8401
35712/60000 [================>.............] - ETA: 1s - loss: 0.5153 - acc: 0.8406
36544/60000 [=================>............] - ETA: 1s - loss: 0.5108 - acc: 0.8420
37312/60000 [=================>............] - ETA: 1s - loss: 0.5073 - acc: 0.8433
38112/60000 [==================>...........] - ETA: 1s - loss: 0.5048 - acc: 0.8441
38912/60000 [==================>...........] - ETA: 1s - loss: 0.5031 - acc: 0.8446
39712/60000 [==================>...........] - ETA: 1s - loss: 0.5008 - acc: 0.8453
40544/60000 [===================>..........] - ETA: 1s - loss: 0.4988 - acc: 0.8460
41312/60000 [===================>..........] - ETA: 1s - loss: 0.4956 - acc: 0.8470
42112/60000 [====================>.........] - ETA: 1s - loss: 0.4936 - acc: 0.8479
42944/60000 [====================>.........] - ETA: 1s - loss: 0.4923 - acc: 0.8486
43744/60000 [====================>.........] - ETA: 1s - loss: 0.4893 - acc: 0.8495
44544/60000 [=====================>........] - ETA: 1s - loss: 0.4863 - acc: 0.8503
45280/60000 [=====================>........] - ETA: 1s - loss: 0.4832 - acc: 0.8513
46016/60000 [======================>.......] - ETA: 0s - loss: 0.4809 - acc: 0.8521
46848/60000 [======================>.......] - ETA: 0s - loss: 0.4784 - acc: 0.8529
47584/60000 [======================>.......] - ETA: 0s - loss: 0.4759 - acc: 0.8535
48384/60000 [=======================>......] - ETA: 0s - loss: 0.4734 - acc: 0.8541
49216/60000 [=======================>......] - ETA: 0s - loss: 0.4702 - acc: 0.8550
50048/60000 [========================>.....] - ETA: 0s - loss: 0.4681 - acc: 0.8558
50816/60000 [========================>.....] - ETA: 0s - loss: 0.4664 - acc: 0.8563
51584/60000 [========================>.....] - ETA: 0s - loss: 0.4650 - acc: 0.8567
52384/60000 [=========================>....] - ETA: 0s - loss: 0.4625 - acc: 0.8573
53216/60000 [=========================>....] - ETA: 0s - loss: 0.4601 - acc: 0.8580
54080/60000 [==========================>...] - ETA: 0s - loss: 0.4582 - acc: 0.8587
54848/60000 [==========================>...] - ETA: 0s - loss: 0.4570 - acc: 0.8593
55648/60000 [==========================>...] - ETA: 0s - loss: 0.4550 - acc: 0.8600
56448/60000 [===========================>..] - ETA: 0s - loss: 0.4538 - acc: 0.8604
57280/60000 [===========================>..] - ETA: 0s - loss: 0.4518 - acc: 0.8609
57952/60000 [===========================>..] - ETA: 0s - loss: 0.4498 - acc: 0.8615
58656/60000 [============================>.] - ETA: 0s - loss: 0.4480 - acc: 0.8621
59200/60000 [============================>.] - ETA: 0s - loss: 0.4467 - acc: 0.8625
59776/60000 [============================>.] - ETA: 0s - loss: 0.4457 - acc: 0.8629
60000/60000 [==============================] - 4s 70us/step - loss: 0.4453 - acc: 0.8631
Epoch 2/10

   32/60000 [..............................] - ETA: 9s - loss: 0.4432 - acc: 0.9062
  672/60000 [..............................] - ETA: 5s - loss: 0.3326 - acc: 0.8973
 1280/60000 [..............................] - ETA: 4s - loss: 0.3275 - acc: 0.8992
 1984/60000 [..............................] - ETA: 4s - loss: 0.3029 - acc: 0.9047
 2688/60000 [>.............................] - ETA: 4s - loss: 0.2984 - acc: 0.9070
 3424/60000 [>.............................] - ETA: 4s - loss: 0.3075 - acc: 0.9039
 4192/60000 [=>............................] - ETA: 4s - loss: 0.3044 - acc: 0.9058
 4928/60000 [=>............................] - ETA: 4s - loss: 0.3045 - acc: 0.9060
 5760/60000 [=>............................] - ETA: 3s - loss: 0.3037 - acc: 0.9062
 6432/60000 [==>...........................] - ETA: 3s - loss: 0.3009 - acc: 0.9078
 7136/60000 [==>...........................] - ETA: 3s - loss: 0.3064 - acc: 0.9079
 7872/60000 [==>...........................] - ETA: 3s - loss: 0.2980 - acc: 0.9094
 8672/60000 [===>..........................] - ETA: 3s - loss: 0.2955 - acc: 0.9084
 9408/60000 [===>..........................] - ETA: 3s - loss: 0.2967 - acc: 0.9087
10080/60000 [====>.........................] - ETA: 3s - loss: 0.2973 - acc: 0.9090
10816/60000 [====>.........................] - ETA: 3s - loss: 0.2980 - acc: 0.9088
11616/60000 [====>.........................] - ETA: 3s - loss: 0.2988 - acc: 0.9091
12384/60000 [=====>........................] - ETA: 3s - loss: 0.3039 - acc: 0.9079
13056/60000 [=====>........................] - ETA: 3s - loss: 0.3052 - acc: 0.9078
13664/60000 [=====>........................] - ETA: 3s - loss: 0.3054 - acc: 0.9083
14240/60000 [======>.......................] - ETA: 3s - loss: 0.3094 - acc: 0.9072
14848/60000 [======>.......................] - ETA: 3s - loss: 0.3103 - acc: 0.9065
15488/60000 [======>.......................] - ETA: 3s - loss: 0.3097 - acc: 0.9069
16096/60000 [=======>......................] - ETA: 3s - loss: 0.3088 - acc: 0.9071
16768/60000 [=======>......................] - ETA: 3s - loss: 0.3062 - acc: 0.9074
17568/60000 [=======>......................] - ETA: 3s - loss: 0.3074 - acc: 0.9072
18304/60000 [========>.....................] - ETA: 3s - loss: 0.3085 - acc: 0.9072
19104/60000 [========>.....................] - ETA: 2s - loss: 0.3078 - acc: 0.9075
19872/60000 [========>.....................] - ETA: 2s - loss: 0.3074 - acc: 0.9078
20608/60000 [=========>....................] - ETA: 2s - loss: 0.3075 - acc: 0.9079
21344/60000 [=========>....................] - ETA: 2s - loss: 0.3066 - acc: 0.9079
22112/60000 [==========>...................] - ETA: 2s - loss: 0.3065 - acc: 0.9076
22944/60000 [==========>...................] - ETA: 2s - loss: 0.3044 - acc: 0.9083
23712/60000 [==========>...................] - ETA: 2s - loss: 0.3027 - acc: 0.9086
24448/60000 [===========>..................] - ETA: 2s - loss: 0.3020 - acc: 0.9087
25280/60000 [===========>..................] - ETA: 2s - loss: 0.3024 - acc: 0.9087
26144/60000 [============>.................] - ETA: 2s - loss: 0.3010 - acc: 0.9088
26944/60000 [============>.................] - ETA: 2s - loss: 0.3007 - acc: 0.9088
27680/60000 [============>.................] - ETA: 2s - loss: 0.2997 - acc: 0.9094
28448/60000 [=============>................] - ETA: 2s - loss: 0.2992 - acc: 0.9096
29312/60000 [=============>................] - ETA: 2s - loss: 0.2970 - acc: 0.9102
30048/60000 [==============>...............] - ETA: 2s - loss: 0.2957 - acc: 0.9105
30880/60000 [==============>...............] - ETA: 2s - loss: 0.2950 - acc: 0.9107
31712/60000 [==============>...............] - ETA: 1s - loss: 0.2958 - acc: 0.9108
32544/60000 [===============>..............] - ETA: 1s - loss: 0.2961 - acc: 0.9108
33312/60000 [===============>..............] - ETA: 1s - loss: 0.2961 - acc: 0.9107
34176/60000 [================>.............] - ETA: 1s - loss: 0.2961 - acc: 0.9107
35008/60000 [================>.............] - ETA: 1s - loss: 0.2954 - acc: 0.9107
35776/60000 [================>.............] - ETA: 1s - loss: 0.2962 - acc: 0.9107
36512/60000 [=================>............] - ETA: 1s - loss: 0.2962 - acc: 0.9107
37312/60000 [=================>............] - ETA: 1s - loss: 0.2959 - acc: 0.9109
38208/60000 [==================>...........] - ETA: 1s - loss: 0.2973 - acc: 0.9109
38976/60000 [==================>...........] - ETA: 1s - loss: 0.2982 - acc: 0.9105
39744/60000 [==================>...........] - ETA: 1s - loss: 0.2978 - acc: 0.9108
40576/60000 [===================>..........] - ETA: 1s - loss: 0.2978 - acc: 0.9109
41440/60000 [===================>..........] - ETA: 1s - loss: 0.2973 - acc: 0.9109
42304/60000 [====================>.........] - ETA: 1s - loss: 0.2957 - acc: 0.9114
43072/60000 [====================>.........] - ETA: 1s - loss: 0.2955 - acc: 0.9116
43808/60000 [====================>.........] - ETA: 1s - loss: 0.2946 - acc: 0.9119
44544/60000 [=====================>........] - ETA: 1s - loss: 0.2938 - acc: 0.9123
45408/60000 [=====================>........] - ETA: 0s - loss: 0.2932 - acc: 0.9126
46208/60000 [======================>.......] - ETA: 0s - loss: 0.2922 - acc: 0.9129
47008/60000 [======================>.......] - ETA: 0s - loss: 0.2921 - acc: 0.9131
47808/60000 [======================>.......] - ETA: 0s - loss: 0.2922 - acc: 0.9132
48640/60000 [=======================>......] - ETA: 0s - loss: 0.2921 - acc: 0.9135
49408/60000 [=======================>......] - ETA: 0s - loss: 0.2912 - acc: 0.9135
50240/60000 [========================>.....] - ETA: 0s - loss: 0.2904 - acc: 0.9137
51040/60000 [========================>.....] - ETA: 0s - loss: 0.2913 - acc: 0.9135
51840/60000 [========================>.....] - ETA: 0s - loss: 0.2915 - acc: 0.9135
52640/60000 [=========================>....] - ETA: 0s - loss: 0.2907 - acc: 0.9138
53504/60000 [=========================>....] - ETA: 0s - loss: 0.2901 - acc: 0.9141
54368/60000 [==========================>...] - ETA: 0s - loss: 0.2895 - acc: 0.9145
55136/60000 [==========================>...] - ETA: 0s - loss: 0.2893 - acc: 0.9146
55904/60000 [==========================>...] - ETA: 0s - loss: 0.2890 - acc: 0.9146
56704/60000 [===========================>..] - ETA: 0s - loss: 0.2889 - acc: 0.9146
57568/60000 [===========================>..] - ETA: 0s - loss: 0.2882 - acc: 0.9148
58368/60000 [============================>.] - ETA: 0s - loss: 0.2882 - acc: 0.9147
59040/60000 [============================>.] - ETA: 0s - loss: 0.2873 - acc: 0.9150
59840/60000 [============================>.] - ETA: 0s - loss: 0.2872 - acc: 0.9151
60000/60000 [==============================] - 4s 67us/step - loss: 0.2874 - acc: 0.9150
Epoch 3/10

   32/60000 [..............................] - ETA: 5s - loss: 0.0614 - acc: 1.0000
  832/60000 [..............................] - ETA: 3s - loss: 0.2192 - acc: 0.9255
 1632/60000 [..............................] - ETA: 3s - loss: 0.2582 - acc: 0.9154
 2432/60000 [>.............................] - ETA: 3s - loss: 0.2621 - acc: 0.9174
 3168/60000 [>.............................] - ETA: 3s - loss: 0.2545 - acc: 0.9205
 4000/60000 [=>............................] - ETA: 3s - loss: 0.2659 - acc: 0.9160
 4768/60000 [=>............................] - ETA: 3s - loss: 0.2628 - acc: 0.9190
 5536/60000 [=>............................] - ETA: 3s - loss: 0.2646 - acc: 0.9193
 6272/60000 [==>...........................] - ETA: 3s - loss: 0.2659 - acc: 0.9195
 7072/60000 [==>...........................] - ETA: 3s - loss: 0.2570 - acc: 0.9228
 7904/60000 [==>...........................] - ETA: 3s - loss: 0.2529 - acc: 0.9250
 8672/60000 [===>..........................] - ETA: 3s - loss: 0.2481 - acc: 0.9261
 9536/60000 [===>..........................] - ETA: 3s - loss: 0.2461 - acc: 0.9259
10304/60000 [====>.........................] - ETA: 3s - loss: 0.2435 - acc: 0.9267
11168/60000 [====>.........................] - ETA: 3s - loss: 0.2418 - acc: 0.9272
11968/60000 [====>.........................] - ETA: 3s - loss: 0.2400 - acc: 0.9276
12768/60000 [=====>........................] - ETA: 3s - loss: 0.2425 - acc: 0.9268
13536/60000 [=====>........................] - ETA: 3s - loss: 0.2436 - acc: 0.9266
14240/60000 [======>.......................] - ETA: 2s - loss: 0.2466 - acc: 0.9256
15040/60000 [======>.......................] - ETA: 2s - loss: 0.2494 - acc: 0.9249
15840/60000 [======>.......................] - ETA: 2s - loss: 0.2475 - acc: 0.9252
16640/60000 [=======>....................

最低0.47元/天 解锁文章
iamcfb_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
[笔记]|[Deconv]|[CNN]可视化CNN隐藏层特征—AI学习笔记（1）
weixin_43991786的博客
12-07 8284
AI学习笔记（1）—可视化CNN隐藏层特征 首先这篇笔记是在有限时间的背景下完成的，并且本人对于CNN的了解尚浅，仅作为自己后续查阅的笔记 文章目录AI学习笔记（1）—可视化CNN隐藏层特征CNN的理解反池化过程反向传播算法（机器学习？）关于DeconvNet的理解Deep Visualization Toolbox给予CNN训练所需的海量数据CNN（图片识别）使用案例特征可视化的样例：Dee...
别再错过！这些隐藏版小网站，让你大呼过瘾！
yang的博客
12-14 5105
今天给大家分享一些摸鱼小网站，再忙也别忘记摸鱼呀~~~
python如何增加隐藏层_Python CNN。如何获取数据的隐藏fc层编码？
weixin_39595537的博客
12-21 1340
defvariables_lenet5(filter_size=filter_size_1,filter_size_2=filter_size_2,filter_depth1=filter_size_1,filter_depth2=filter_size_2,num_hidden1=hid_1,num_hidden2=hid_2,#num_hidden3 = hid_3,image_width=i...
HTML5版3D实验室系列【七】----锥
u011927449的博客
11-05 1330
一.简介 圆锥，数学领域术语，有两种定义。 解析几何定义：圆锥面和一个截它的平面（满足交线为圆）组成的空间几何图形叫圆锥。 立体几何定义：以直角三角形的一条直角边所在直线为旋转轴，其余两边旋转形成的面...
2021-10-15
Fillthepit的博客
10-15 718
php的实时货币汇率接口调用代码实例 <?php header('Content-type:text/html;charset=utf-8'); //配置您申请的appkey $appkey = "***********************************"; //************2.实时汇率************ $url = "http://op.juhe.cn/onebox/exchange/currency"; $params = array( "
FCN实现MNIST手写数字识别.rar
07-08
标题中的"FCN实现MNIST手写数字识别"是指使用全卷积网络（Fully Convolutional Network, FCN）对MNIST数据集进行手写数字的识别任务。MNIST数据集是一个广泛使用的图像识别基准，它包含60,000个训练样本和10,000个...
MNIST手写数字识别
最新发布
06-12
MNIST手写数字识别是一个经典的机器学习和深度学习任务，主要目标是训练模型来自动识别手写数字。这个任务在计算机视觉领域具有重要的地位，因为它为初学者提供了很好的入门实践，同时也被用作评估新算法性能的基础...
mnist数据集手写数字识别.py_mnist手写数字识别_
10-01
《MNIST手写数字识别——基于CNN的深度学习方法》 MNIST手写数字识别是机器学习领域的一个经典任务，其数据集包含了60000个训练样本和10000个测试样本，每个样本都是28x28像素的灰度图像，代表0到9的手写数字。这个...
KerasMNISTExample-master_keras_mnist手写识别_识别_
10-02
在本文中，我们将深入探讨如何使用Keras库在Python中实现MNIST手写数字识别算法。MNIST数据集是机器学习领域的一个经典基准，它包含了60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的灰度图像，代表0...
tensorflow2.0-mnist手写数字识别的代码实例
12-31
《TensorFlow 2.0 实践：MNIST手写数字识别的CNN实现》 MNIST手写数字识别是深度学习领域的一个经典问题，通常用于初学者入门实践。在TensorFlow 2.0中，我们可以利用其简洁的API和强大的功能来构建高效的卷积神经...
caffe cnn提取各层特征并可视化结果（Python接口）
imagination_go的博客
10-10 1万+
亲测有用，之前参考的薛开宇的学习笔记，部分代码需要修改，自己修改后的版本如下： #caffe特征的可视化import numpy as npimport matplotlib.pyplot as pltimport matplotlib.image as imaimport osimport pickleimport cv2#xxx对应自己的服务器名称caffe_root='/home/xx
白盒-CNN纹理深度可视化: 使用MIT Place 场景预训练模型
wishchinYang的专栏
02-09 1548
       MIT发文：深度视觉的量化表示................       Places2 是一个场景图像数据集，包含 1千万张 图片，400多个不同类型的场景环境，可用于以场景和环境为应用内容的视觉认知任务。       GitHub源代码：https://github.com/CSAILVision/NetDissect       论文地址：http://netdissect....
google的一些秘密入口
小发猫
06-21 1万+
http://www.google.com/microsoft 　　微软风格的入口 　　 　　http://www.google.com/mac 　　MAC风格的入口 　　 　　http://www.google.com/linux 　　Linux风格的入口 　　 　　http://www.google.com/bsd 　　FreeBSD风格的入口 　　 　　Google有各种语言的版本，下面这些
caffe data层_caffe训练CNN的各层介绍（转）
weixin_39562338的博客
12-21 181
创建caffe模型，首先要在protocol buffer 定义文件(prototxt)中定义结构。在caffe环境中，图像的明显特征是其空间结构。主要layers主要功能主要类型其他卷积层提取特征CONVOLUTION学习率、数据维度池化层特征池化POOLING池化方法，数据维度局部响应归一化层临近抑制LRN损失计算层loss计算SOFTMAX_LOSSEUCLIDEAN_LOSSHINGE_L...
医疗图像切割FCN的Keras实现
g11d111的博客
09-23 1万+
最近看了几篇关于视网膜层切割的处理论文，现在比较流行的方法是用FCN（全卷积神经网络来做）。在医疗领域中，通常使用一种称之为U-net的FCN来做图像切割，效果不错。 本文基于U-net来做实现，详细介绍了如何搭建一个U-net神经网络。 全卷积神经网络关于FCN的介绍详见我的FCN全卷积网络的博客，这里不再赘述啦。医学图像分割框架现在的医学图像分割（尤其是眼科OCT图像（光学相关层析图像
FCN于反卷积(Deconvolution)、上采样(UpSampling)
热门推荐
skyfengye的博客
03-01 5万+
最近在研究图像分割方面的内容，图像分割是对图像进行像素进行分类。在这里提到分类，首先想到了 使用深度学习的方法进行分类操作的。 在这里以前的一些传统的方法进行的操作，这里就不细说了。这样使用了深度学习的方法，提到使用深度学习的方法进行图像分割的话。必须要提到 Fully Convolutional Networks for Semantic Segmentation。这篇文章。这也算是深度学
keras，FCN，mnist手写数字识别，实例，添加隐藏层，添加正则化L2，防止过拟合
iamcfb_的博客
02-17 1790
正则化（Regularization） L1和L2正则都是比较常见和常用的正则化项，都可以达到防止过拟合的效果。L1正则化的解具有稀疏性，可用于特征选择。L2正则化的解都比较小，抗扰动能力强。在求解过程中，L2通常倾向让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。参数足够小，数据偏移得多一点也不会对结果...
基于Dropout深度神经网络的手写体数字识别（Matlab）
qq_29387359的博客
01-13 1005
一.Dropout方法简述   深度神经网络包含多个非线性隐含层，这使得他们成为非常有表现力的模型，可以学习其输入和输出之间非常复杂的关系。然而在有限的训练数据情况下，这些复杂的关系中的许多将是噪声采样的结果。因此即使同一分布中抽取，它们也将存在于训练集中，而不存在于实际测试数据中。   在无限计算中，“正规化”一定大小模型的最佳方法是平均预测所有可能的参数设置，并根据给定训练数据的后验概率对
《机器学习从入门到入职》讨论隐藏层对模型的影响-增加层深度/层数
CV工程猫
07-28 1505
代码链接： https://download.csdn.net/download/qq_38649386/12668357 实验效果： 结论： 层数/深度 增加的效果优于 宽度增加的效果 遇到的问题及解决方法： 1.for 循环内模型建立有问题：本来要建立四个不同模型变成同一个模型层数叠加 错误： 正确代码： # 分别列举增加不同神经元数量及层数-【神经元数量，层数】 for i,j in enumerate([[512,1],[1024,2],[512,4],.
mnist手写数字识别tensorflow
06-06
MNIST 手写数字识别是一个经典的机器学习问题，旨在使用计算机程序对手写数字图像进行分类。TensorFlow 是一个流行的机器学习框架，可用于实现MNIST手写数字识别任务。 在 TensorFlow 中，可以使用卷积神经网络...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值