卷积、池化输出大小计算公式以及TF卷积NN实现mnist数字识别

最新推荐文章于 2023-10-08 20:27:35 发布
最新推荐文章于 2023-10-08 20:27:35 发布
阅读量283 收藏 1
点赞数
分类专栏： python深度学习项目案例
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/qq_27328197/article/details/114784145
版权

文章目录

前言

什么是AI？
The theory and development of computer systems able to perform tasks normally requiring human intelligence.(–Oxford Dictionary)
Using data to solve problems.(–cy)

卷积输出大小计算公式

如果已知输入图片的形状，卷积核的数量，卷积核大小，以及移动步长，那么输出图片的形状如何确定，可按下图的公式进行确定：
在这里插入图片描述
计算举例，如下图：
在这里插入图片描述
tensorflow1.1.13中卷积网络的API：
在这里插入图片描述

池化输出大小计算公式

在这里插入图片描述
计算举例如下：
在这里插入图片描述
tensorflow1.1.13中池化网络的API：
在这里插入图片描述

（最近时间精力有限，具体代码见gitee）：tensorflow卷积NN实现mnist数字识别

总结

<如果您发现我写的有错误，欢迎在评论区批评指正>

不懂六月飞雪
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人工智能-作业5：卷积-池化-激活
qq_51776413的博客
05-22 560
实现【卷积-池化-激活】代码，并分析总结 卷积计算过程： 在9 * 9的矩阵中每次取3 * 3的矩阵与卷积核进行运算，得到的结果依次构成一个新的7 * 7的矩阵，如下图所示。 池化过程： 每次取2*2矩阵中最大的数构成新的矩阵，如下图所示。 激活过程： 讲矩阵中所有负值全部置为0，如下图所示。 1. For循环版本：手工实现 卷积-池化-激活 import numpy as np x = np.array([[-1, -1, -1, -1, -1, -1, -1, -1, -1],
【深度学习】tensorflow 卷积神经网络 实现手写数字识别
12-22
本示例中，我们将探讨如何使用TensorFlow实现一个用于手写数字识别的CNN。 首先，激活函数在神经网络中起着至关重要的作用，它引入了非线性，使得网络能够学习更复杂的模式。在本例中，我们使用的是ReLU（Rectified...
神经网络之卷积层，池化层输出大小计算(转载别人的)
孤独咕噜的博客
09-08 451
总结：卷积输出大小=[（输入大小-卷积核（过滤器）大小+2P）／步长]+1。总结：池化输出大小=[（输入大小-卷积核（过滤器）大小）／步长]+1。输出图像大小： （width，height，N）W:图像宽，H:图像高，D:图像深度（通道数）W:图像宽，H:图像高，D:图像深度（通道数）如卷积核宽高为3时 padding 选择1。如卷积核宽高为7时 padding 选择3。F：卷积核宽高，N:卷积核（过滤器）个数。卷积后输出图像深度： N=D。池化后输出图像深度： N=D。F：卷积核宽高，S:步长。
神经网络之卷积层，池化层输出大小计算
AI学长
05-13 2647
设计网络卷积层的参数： （1）输入图片大小（矩形）： AA （2）卷积核大小： KK （3）步长： S （4）填充padding： p 那么卷积层的输出为： N = (A − k + 2p ) / s + 1
卷积核、池化层输出尺寸计算公式，VGG16神经网络结构图及各层推导及PyTorch实现代码
Zijie123pea的博客
03-17 4066
卷积层   使用卷积处理图像，输出的图像的尺寸为： Wout=Win−Wfilter+2PS+1W_{out}=\frac{W_{in}-W_{filter}+2P}{S}+1Wout​=SWin​−Wfilter​+2P​+1 Hout=Hin−Hfilter+2PS+1H_{out}=\frac{H_{in}-H_{filter}+2P}{S}+1Hout​=SHin​−Hfilter​+2P​+1   公式中WfilterW_{filter}Wfilter​和HfilterH_{filter}Hfil
tensorflow中卷积及池化层以后输出图像尺寸的大小计算方法
TI09257的博客
07-10 9275
卷积层后输出图像大小为：（W+2P-f）/stride+1并向下取整。如输入图像宽度为29，f为3，padding为'SAME',则输出图像大小为（29+2*1-3）/2+1=15。池化层输出图像的大小为W/stride，向上取整。如图像宽度为29，步长为2，则输出图像大小为15....
卷基层和池化层输出大小计算公式
hedongya的博客
12-16 2万+
假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N
基于TensorFlow的CNN实现Mnist手写数字识别
12-17
- 实现卷积层和池化层的函数，分别使用`tf.nn.conv2d`和`tf.nn.max_pool`。 - 创建输入层的占位符`x`和目标标签的占位符`y`，并重塑输入数据以适应卷积操作。 - 应用卷积层、ReLU激活和池化层，构建整个CNN结构。 - ...
使用卷积神经网络对mnist数据集进行分析
12-21
`tf.nn.conv2d()`函数执行卷积操作，`tf.nn.relu()`应用ReLU激活函数。接着，我们使用`tf.nn.max_pool()`函数执行最大池化，减小图像的尺寸。 第二层卷积层与第一层类似，但使用了64个输出通道。之后，我们有一个全...
Tensorflow卷积神经网络MNIST示例
10-22
在本示例中，我们将深入探讨如何利用TensorFlow这一强大的开源机器学习库来实现对MNIST手写数字数据集的识别。MNIST数据集包含60,000个训练样本和10,000个测试样本，是机器学习初学者入门的常用数据集。 首先，我们...
tensorflow实现简单的卷积网络
12-24
代码是按照书上的敲的，第一步就是导入数据库，设置节点的初始值，Tf.nn.conv2d是tensorflow中的2维卷积，参数x是输入，W是卷积的参数，比如【5,5,1,32】，前面两个数字代表卷积核的尺寸，第三个数字代表有几个通道...
卷积层与池化层输出的尺寸的计算公式详解
最新发布
S0ybean的博客
10-08 4044
公式计算卷积（池化）输入输出个数
[转载]卷积，池化操作后的图像尺寸计算
qq_52254197的博客
05-24 3353
[转载]卷积，池化操作后的图像尺寸计算 原文 一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： N=W−F+2PS+1 N=\frac {W-F+2P} {S} +1 N=SW−F+2P​+1 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则： 卷积后输出图像大小： W=W−F+2PS+1H=H−F+2PS+1 W=\frac {W-F+2P}
tf.nn.conv2d卷积计算函数及variable（全连接）和get_variable（权值共享）区别
qq_35608277的博客
01-12 1130
函数格式： tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) input： 指需要做卷积的输入图像（或者feature map），它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时
3用于MNIST的卷积神经网络-3.1/3.2简单卷积神经网络的计算图设计（上/下）
hongxue8888的博客
11-06 428
一个简单的卷积神经网络 #3.1实现简单卷积神经网络对MNIST数据集进行分类：conv2d + activation + pool + fcimport csv import tensorflow as tf import os from tensorflow.examples.tutorials.mnist import input_data os.environ['TF_CPP_MIN_L
pytorch（七）卷积神经网络实现MNIST详解
powu0193的博客
08-20 1580
一、卷积神经网络 卷积层、池化层、全链接层 卷积层：特征提取 池化层：压缩 卷积层=卷积+激活函数 激活函数：非线性激活函数 卷积神经网络：https://blog.csdn.net/Ace_Yom/article/details/47254023 https://blog.csdn.net/yunpiao123456/article/details/52437794 https://blog.c...
【AI】Python手写卷积、平均池化、最大池化
风的博客
08-15 1816
python实现图像卷积、池化操作
人工智能练习题 + 知识点汇总（期末复习版）
热门推荐
一只可爱的小猴子的博客
03-17 4万+
认识智能的观点包括：思维理论、知识阈值理论、进化理论 思维方式包括：抽象思维、形象思维、灵感思维 人工智能研究的领域包括：符号智能、计算智能、机器学习、机器感知 智能包含的能力包括：感知能力、记忆和思维能力、学习和自适应能力、行为能力 图灵测试是图灵在1950年在论文中《计算机与智能》中提出的 机器学习包括监督学习、强化学习、非监督学习 Al的诞生是在1956年 参加达特茅斯会议的有麦卡锡、明斯基、香农、洛切斯特 费根鲍姆提出"知识工程"概念 人工智能的三大学派包括符号学派、联结学派、行为学派 专家系统是.
图片经卷积或池化后尺寸大小计算
Infinity_and_beyond的博客
03-22 3001
卷积层的作用是，这些特征是由图像中的每个像素通过组合或者独立的方式所体现，比如图片的纹理特征，颜色特征。卷积层有很多卷积核，通过做越来越多的卷积，提取到的图像特征会越来越抽象。：参数代表输入特征矩阵的深度即channel，比如输入一张RGB彩色图像，那：参数代表卷积核的个数，使用n个卷积核输出的特征矩阵深度即channel就是：参数代表卷积核的尺寸，输入可以是int类型如3，代表卷积核的，也可以是tuple类型如(3, 5)代表卷积核的：参数代表卷积核的步距，默认为1，和一样输入可以是int。
卷积神经网络实现识别手写数字mnist数据集运行代码
05-26
好的，以下是利用卷积神经网络实现手写数字识别的代码： ```python import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 导入数据集 mnist = input_data.read_data_sets('...
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