【python】卷积神经网络

Htht111

已于 2024-01-24 11:15:03 修改

阅读量7.2k

点赞数 12

分类专栏： python 文章标签： cnn python 深度学习

于 2022-07-22 09:14:36 首次发布

HpaxlY

本文链接：https://blog.csdn.net/kin_16/article/details/125898716

版权

python 专栏收录该内容

13 篇文章 1 订阅

订阅专栏

卷积神经网络

一、图片的识别过程：
二、卷积神经网络解决了两个问题
三、基本结构
四、卷积神经网络流程
五、卷积神经网络算法过程
六、(代码)卷积神经网络---手写数字模型

一、图片的识别过程：

1.特征提取-CNN自动提取（卷积层）
2.提取主要特征（池化层）
3.特征汇总
4.产生分类器进行预测识别（全连层）

1.传统神经网络处理图片-全连接的网络结构
网络中的神经与相邻层上的每个神经元均连接。层数越多需要计算的参数就越多。
2.卷积神经网络–-局部感受视野
对局部进行感知，然后在更高层将局部的信息综合起来得到全局信息。
在这里插入图片描述

3.卷积神经网络—权值共享
每个神经元的w值都是一样的。
就是整张图片在使用同一个卷积核内的参数。

二、卷积神经网络解决了两个问题

1、BP神经网络的全连接模式导致参数过多，反向传播计算量太大，模型训练时间过长，解决方案是权值共享。
2、全连模式下每个像素都要与神经相连，特征点较多不利于分类。卷积：局部感受视野，局部信息综合起来得到全局信息。

三、基本结构

卷积层：特征提取-CNN自动提取
池化层：提取主要特征
ReLU层
全连层：产生分类器进行预测识别

在这里插入图片描述
输入图片-卷积池化激活（获取主要特征）-重复-特征汇总，相当于全连层。
特征数变少，深度（通道数）变多👇

1.卷积层

提取图片每个小部分里具有的特征。

图片像素与卷积核（权重）相乘再相加。
在这里插入图片描述

2.池化层

提取重要的特征信息。
将输入图像进行缩小，减少像素信息，保留重要信息。
取最大值、平均值等。
在这里插入图片描述

3.ReLU 激活层

加入非线性因素，将卷积层输出结果做非线性映射。
ReLU 函数：对于输入负值，输出全为0.正值原样输出。
在这里插入图片描述

单层卷积神经网络

卷积、激活函数、池化组合在一起
在这里插入图片描述

4.全连接层

全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积、池化等深度网络后，再经过全连接层对结果进行识别分类。
在这里插入图片描述

四、卷积神经网络流程

在这里插入图片描述

五、卷积神经网络算法过程

四步，两个阶段
1、向前传播过程
（1）从样本中读取（x,y），将x输入网络。
（2）计算相应的实际输出OP。
在此阶段，信息从输入层经过逐层变换，传送到输出层，输出层与每层的权值矩阵点乘，得到输出结果。

2、向后传播阶段
（1）计算实际输出与理想输出的差值。
（2）按极小误差反向传播调整权值矩阵。

六、(代码)卷积神经网络—手写数字模型

1.引入头文件,加载数据
将数据读入数据集独热编码
2.封装函数，方便网络搭建多处调用
（1）构建权重w，产生随机变量
（2）构建偏置b
（3）卷积层准备：卷积函数实现
（4）卷积层激活函数x与0作比较
（5）池化层：小一倍数据特征图
3.特征标签的占位符
4.开始网络搭建 CNN构建
1）卷积层，创建patch=5*5卷积核
构建w、b
([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
（2）第一层卷积层，调用函数
（3）激活relu
（4）池化
2）第二层卷积
和第一层差不多，注意几个点
构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
第一层卷积层（上一层池化的结果，这一层的w）
3）全连层
据拍平、提纯、分类
（1）第一层全连层：前馈神经网络输入：第二次池化结果 7764 假设神经元1024个
（2）第二层全连层：分类器
上层输出1024是这层输入，总的分类数为这层输出
5.构建损失函数
6.优化器

六、(代码)卷积神经网络：手写数字模型
1.引入头文件,加载数据

import tensorflow as tf
# 加载数据
from tensorflow.examples.tutorials.mnist import input_data

将数据读入数据集独热编码

# 将数据读入数据集 独热编码
input_data.read_data_sets('MNIST_data/',one_hot=True)
input_size=28*28
# 分类
num_class=10

2.封装函数，方便网络搭建多处调用
（1）构建权重w，产生随机变量

# 创建函数:构建权重w，产生随机变量
def weight_variable(shape):
    """
    构建权重w，产生随机变量
    :param shape:
    :return:
    """
    w=tf.random_normal(shape=shape,stddev=0.01)
    return tf.Variable(w)

（2）构建偏置b

def bias_variable(shape):
    """
    构建偏置b
    :param shape:
    :return:
    """
    b=tf.constant(0.01,shape=shape)
    return tf.Variable(b)

（3）卷积层准备：卷积函数实现

def con2d(x,w):
    """
    卷积层准备：卷积函数实现
    :param x: 图像矩阵信息
    :param w: 卷积核的值
    :return: conv2d
    """
    # strides:卷积步长[上、右、下、左]
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')

（4）卷积层激活函数x与0作比较

def relu_con(x):
    """
    卷积层 激活x与0作比较
    :param x:
    :return:
    """
    return tf.nn.relu(x)

（5）池化层：小一倍数据特征图

def max_pool_con2x2(x):
    """
    池化层：小一倍数据 特征图
    :param x: 图片的矩阵信息
    :return:
    value,
     ksize,
     strides,【上、右、下、左】右、下两个单位
     padding,
     data_format="NHWC",
     name=None,
     input=None
    """
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

3.特征标签的占位符

# 1.特征标签的占位符
# # 1.占位符---输入层 x：数据输入到图中进行计算  y:识别的数字，有几个类别输入几个数字
xs= tf.placeholder(tf.float32,shape=[None,input_size]) #64列不知道几行
ys = tf.placeholder(tf.float32,shape=[None,num_class])#10类不知道多少个

4.开始网络搭建 CNN构建
1）卷积层，创建patch=5*5卷积核
构建w、b
([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])

# 第一层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b
w_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])

（2）第一层卷积层，调用函数

# 第一层卷积层
conv1 = con2d(x_image,w_conv1)

（3）激活relu

# 激活relu
h_conv1=relu_con(conv1+b_conv1)

（4）池化

# 池化
h_pool1=max_pool_con2x2(h_conv1)

2）第二层卷积
和第一层差不多，注意几个点
构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
第一层卷积层（上一层池化的结果，这一层的w）

# 第二层=====
# 第二层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
w_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])
# 第一层卷积层（上一层池化的结果，这一层的w）
conv2 = con2d(h_pool1,w_conv2)
# 激活relu
h_conv2=relu_con(conv2+b_conv2)
# 池化
h_pool2=max_pool_con2x2(h_conv2)

3）全连层
据拍平、提纯、分类
（1）第一层全连层：前馈神经网络输入：第二次池化结果 7764 假设神经元1024个

# 全连层 数据拍平、提纯、分类
# 不再做卷积了
# 全连接第一层：前馈神经网络 输入：第二次池化结果 7*7*64 假设神经元1024个
w_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
# 输出矩阵 几行不管 列：7*7*64
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
# 前馈神经网络wx+b
h_fc1=tf.matmul(h_pool2_flat,w_fc1)+b_fc1
# 激活
h_flc1=relu_con(h_fc1)

（2）第二层全连层：分类器
上层输出1024是这层输入，总的分类数为这层输出

# 第二层全连层：分类
w_fc2=weight_variable([1024,num_class])
b_fc2=bias_variable([num_class])
# 计算并激活
# 前馈神经网络wx+b
h_fc2=tf.matmul(h_flc1,w_fc2)+b_fc2
# 激活---分类 返回每种情况的概率
predict=h_flc2=tf.nn.softmax(h_fc2)

# 构建损失函数
# 优化器

到这完整代码：

"""
卷积神经网络：手写数字模型
"""
import tensorflow as tf
# 加载数据
from tensorflow.examples.tutorials.mnist import input_data
# 将数据读入数据集 独热编码
input_data.read_data_sets('MNIST_data/',one_hot=True)

input_size=28*28
# 分类
num_class=10

# 创建函数:构建权重w，产生随机变量
def weight_variable(shape):
    """
    构建权重w，产生随机变量
    :param shape:
    :return:
    """
    w=tf.random_normal(shape=shape,stddev=0.01)
    return tf.Variable(w)


def bias_variable(shape):
    """
    构建偏置b
    :param shape:
    :return:
    """
    b=tf.constant(0.01,shape=shape)
    return tf.Variable(b)

def con2d(x,w):
    """
    卷积层准备：卷积函数实现
    :param x: 图像矩阵信息
    :param w: 卷积核的值
    :return: conv2d
    """
    # strides:卷积步长[上、右、下、左]
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')


def relu_con(x):
    """
    卷积层 激活x与0作比较
    :param x:
    :return:
    """
    return tf.nn.relu(x)

def max_pool_con2x2(x):
    """
    池化层：小一倍数据 特征图
    :param x: 图片的矩阵信息
    :return:
    value,
     ksize,
     strides,【上、右、下、左】右、下两个单位
     padding,
     data_format="NHWC",
     name=None,
     input=None
    """
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

# 网络搭建
# 1.特征标签的占位符
# # 1.占位符---输入层 x：数据输入到图中进行计算  y:识别的数字，有几个类别输入几个数字
xs= tf.placeholder(tf.float32,shape=[None,input_size]) #64列不知道几行
ys = tf.placeholder(tf.float32,shape=[None,num_class])#10类不知道多少个

# 将xs灰度处理:拍平变成一维[-1任意一张图片，28，28矩阵大小，1深度]
# 将该数据放到卷积层操作
x_image=tf.reshape(xs,[-1,28,28,1])
# CNN构建
# 第一层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b
w_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
# 第一层卷积层
conv1 = con2d(x_image,w_conv1)
# 激活relu
h_conv1=relu_con(conv1+b_conv1)
# 池化
h_pool1=max_pool_con2x2(h_conv1)

# 第二层=====

# 第二层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
w_conv2=weight_variable([5,5,32,64])# 14*14*32
b_conv2=bias_variable([64])
# 第一层卷积层（上一层池化的结果，这一层的w）
conv2 = con2d(h_pool1,w_conv2)
# 激活relu
h_conv2=relu_con(conv2+b_conv2)
# 池化
h_pool2=max_pool_con2x2(h_conv2)

# 全连层 数据拍平、提纯、分类
# 不再做卷积了
# 全连接第一层：前馈神经网络 输入：第二次池化结果 7*7*64 假设神经元1024个
w_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
# 输出矩阵 几行不管 列：7*7*64
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
# 前馈神经网络wx+b
h_fc1=tf.matmul(h_pool2_flat,w_fc1)+b_fc1
# 激活
h_flc1=relu_con(h_fc1)

# 第二层全连层：分类
w_fc2=weight_variable([1024,num_class])
b_fc2=bias_variable([num_class])
# 计算并激活
# 前馈神经网络wx+b
h_fc2=tf.matmul(h_flc1,w_fc2)+b_fc2
# 激活---分类 返回每种情况的概率
predict=h_flc2=tf.nn.softmax(h_fc2)

# 构建损失函数
# 优化器