文章目录
概览
本文将介绍几种经典的卷积神经网络模型,包括 LeNet-5,AlexNet,ResNet,VGGNet。
一般架构如下
- 定义超参数
epoch,batch_size - 定义函数进行网络架构
初始化权重参数 - 构建计算图
节点运算 - 启动会话
输入数据,进行训练,打印输出
一、LeNet-5
(1)模型架构
(2)模型概述
- 第一层:输入层,输入的是 b a t c h s i z e ∗ 32 ∗ 32 batchsize*32*32 batchsize∗32∗32的黑白分辨率图像
- 第二层:C1,卷积层,有6个特征图,卷积核大小为 5 ∗ 5 5*5 5∗5,深度为 6,没有使用全0填充且步长为1,所以共有 28 ∗ 28 ∗ 6 28*28*6 28∗28∗6个神经元(32-5+1=28),参数数量为156( 5 ∗ 5 ∗ 6 + 6 = 156 5*5*6+6=156 5∗5∗6+6=156,6为偏置项参数),每一个单元与输入层的25个单元连接。
- 第三层:S2,池化下采样层,有6个特征图,每个特征图大小为 14 ∗ 14 14*14 14∗14,池化核大小为2*2,长和宽步长都为2。
- 第四层:C3,卷积层,卷积核大小为 5 ∗ 5 5*5 5∗5,有16个特征图,每个特征图大小为 10 ∗ 10 ( 14 − 5 + 1 = 10 ) 10*10(14-5+1=10) 10∗10(14−5+1=10),与第三层有着固定的连接。
- 第五层:S4,池化下采样层,有16个特征图,每个特征图大小为 5 ∗ 5 ( 10 / 2 ) 5*5(10/2) 5∗5(10/2),池化核大小为 2 ∗ 2 2*2 2∗2,长和宽步长都为2。
- 第六层:F5,全连接层,有 b a t c h s i z e ∗ 400 batchsize*400 batchsi