tensorflow实战自学【三】

最新推荐文章于 2022-08-31 17:19:17 发布

永久的悔

最新推荐文章于 2022-08-31 17:19:17 发布

阅读量205

点赞数

分类专栏：自学 CNN Tensorflow

本文链接：https://blog.csdn.net/qq_28053699/article/details/97557100

版权

本文介绍了卷积神经网络（CNN）的基本原理，包括卷积、池化等概念，并通过 TensorFlow 中的 `tf.nn.conv2d` 和 `tf.nn.max_pool` 函数展示了卷积神经网络的实现过程。内容涵盖了卷积层、池化层的计算方法以及全连接层的使用。

摘要由CSDN通过智能技术生成

卷积神经网络初步

原理简介

在【一】里面利用单层感知机简单实现了图像识别的功能，但错误率依旧相对较高。考虑这是由于将二维图片展开成一维向量后丢失了图片在二维空间上的空间信息。参考人识别图片的过程，人脑并不是直接读取整张图片的信息，而是先提取局部重要信息，例如看一张人的全身照时，我们可能不会在意图片的全部信息，而是会看局部信息，看脸，身材，穿着。卷积神经网络便是如此考虑的，拿到一张图片时，利用卷积核逐步提取局部信息，生成新的图像矩阵。此时的卷积核，即过滤器矩阵，也就是我们想要训练的参数之一。

卷积

下面是网上盗了张gif
(原po地址：https://blog.csdn.net/v_july_v/article/details/51812459）
以下图来阐述如何做卷积。
在这里插入图片描述
上图展示的是一张通道为3的图片，一般是指彩色图片，黑白图片的通道为1。整个 $w_0$ 算作一个filter，整个 $w_2$ 算作一个filter。故上图展示的是，一层卷积层，此卷积层有两个filter，对一张3通道的图片做卷积，卷积后得到的是一张具有2通道的图片。计算过程为，逐个按位相乘，然后对矩阵里的元素全部求和，最后三个矩阵得到的和再相加。
例如，（怕加号混淆，故暂不考虑偏置项 $b_0$ ）