TensorFlow 构建CNN网络

最新推荐文章于 2024-11-12 17:56:41 发布

默执_

最新推荐文章于 2024-11-12 17:56:41 发布

阅读量180

点赞数

分类专栏： TensorFlow框架文章标签： cnn tensorflow 网络

本文链接：https://blog.csdn.net/qq_42102546/article/details/128945348

版权

TensorFlow框架专栏收录该内容

3 篇文章 0 订阅

订阅专栏

该文详细介绍了卷积神经网络(CNN)的结构，包括100x100x3的输入图像经过3x3卷积、ReLU激活、MaxPooling，以及后续的两层相同结构的卷积层，最后通过Flatten和全连接层，最终输出类别为3的结果。模型使用了TensorFlow的Keras库构建。

摘要由CSDN通过智能技术生成

特征图计算大小公式：

# 特征图 = (N + 2 * p -F) / S + 1
# 特征图 = （输入图像大小 + padding大小 * 2 - 卷积核） / 步长 + 1

# N 输入图像大小
# P padding大小
# F 卷积核大小
# S 步长

CNN网络

# 网络：
# 100*100*3 输入图像大小

# 3*3 Conv（向量卷积运算）
# relu 激活函数
# Pooling 1/2 池化       50*50*16

# 3*3 Conv（向量卷积运算）
# relu 激活函数
# Pooling 1/2 池化       25*25*32

# 3*3 Conv（向量卷积运算）
# relu 激活函数
# Pooling 1/2 池化       12*12*64

# Flatten 降维函数        12*12*64 = 9216
# 计算(金字塔原则)全连接：开方（9216 * 类别数3）= 166.27...
# fc(全连接) 166 relu 激活函数
# fc(全连接) 22 relu 激活函数   开方(166*3) = 22.31...
# fc(全连接) 3 sigmoid 激活函数

# 当前输出类型为3

import tensorflow as tf
from tensorflow.keras import layers, Sequential

model = Sequential([
    # 2维卷积,卷积核个数16, 卷积核大小3*3, padding='same'按照原大小输出, 设置输入大小, 激活函数选择
    layers.Conv2D(16, 3, padding='same', input_shape=(100, 100, 3), activation='relu'),
    # 池化
    layers.MaxPool2D(),
    layers.Conv2D(32, 3, padding='same', activation='relu'),
    layers.MaxPool2D(),
    layers.Conv2D(64, 3, padding='same', activation='relu'),
    layers.MaxPool2D(),
    # 转为1维
    layers.Flatten(),
    # 全连接层：layers.Dense
    layers.Dense(166, activation='relu'),
    layers.Dense(22, activation='relu'),
    # 输出 类别数
    layers.Dense(3, activation='sigmoid'),
])