CV预测:快速使用LeNet-5卷积神经网络

AI预测相关目录

AI预测流程,包括ETL、算法策略、算法模型、模型评估、可视化等相关内容
最好有基础的python算法预测经验

  1. EEMD策略及踩坑
  2. VMD-CNN-LSTM时序预测
  3. 对双向LSTM等模型添加自注意力机制
  4. K折叠交叉验证
  5. optuna超参数优化框架
  6. 多任务学习-模型融合策略
  7. Transformer模型及Paddle实现
  8. 迁移学习在预测任务上的tensoflow2.0实现
  9. holt提取时序序列特征
  10. TCN时序预测及tf实现
  11. 注意力机制/多头注意力机制及其tensorflow实现
  12. 一文解析AI预测数据工程
  13. FITS:一个轻量级而又功能强大的时间序列分析模型
  14. DLinear:未来预测聚合历史信息的最简单网络
  15. LightGBM:更好更快地用于工业实践集成学习算法
  16. 面向多特征的AI预测指南
  17. 大模型时序预测初步调研【20240506】
  18. Time-LLM :超越了现有时间序列预测模型的学习器
  19. CV预测:快速使用LeNet-5卷积神经网络


LeNet-5卷积神经网络

背景

在1990年代,亚恩乐村(Yannlecun)等人提出了用于手写数字和机器打印字符识别的神经网络,被命名为勒内-5(lecun,博图,本吉奥,&哈夫纳,1998)。勒内一5的提出,使得卷积神经网络在当时能够成功被商用,广泛应用在邮政编码、支票号码识别等任务中。

简介

LeNet网络逐层结构:

图片输入:32x32x1第一层:卷积核(6个,5x5x1,步长:1),输出:28x28x6
最大池化层:卷积核(2x2,步长:2),输出:14x14x6
第二层:卷积核(16个,5x5x6,步长:1),输出:10x10x16
最大池化层:卷积核(2x2,步长:2),输出:5x5x16
拉直后输出:5 x5x16=400
全连接层1:120个节点
全连接层2:84个节点
输出层:10个节点
注:在进行卷积运算时,没有对输入进行填充。因此第一层的输出size=32-5+1=28,第二层的输出size=14-5+1=10

在这里插入图片描述

代码

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics

# 1. 数据集准备
(x, y), (x_val, y_val) = datasets.mnist.load_data()
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
x = tf.expand_dims(x, -1)  # 调整形状为(28, 28, 1)
y = tf.convert_to_tensor(y, dtype=tf.int32)
x_val = tf.convert_to_tensor(x_val, dtype=tf.float32) / 255.
x_val = tf.expand_dims(x_val, -1)
y_val = tf.convert_to_tensor(y_val, dtype=tf.int32)

train_dataset = tf.data.Dataset.from_tensor_slices((x, y)).batch(32)

# 2. 搭建网络
network = Sequential([
    layers.Conv2D(6, kernel_size=3, activation='relu'),
    layers.MaxPooling2D(pool_size=2, strides=2),
    layers.Conv2D(16, kernel_size=3, activation='relu'),
    layers.MaxPooling2D(pool_size=2, strides=2),
    layers.Flatten(),
    layers.Dense(120, activation='relu'),
    layers.Dense(84, activation='relu'),
    layers.Dense(10, activation='softmax')
])

network.build(input_shape=(None, 28, 28, 1))
network.summary()

# 3. 模型编译
optimizer = optimizers.Adam()
loss_fn = losses.SparseCategoricalCrossentropy(from_logits=True)
network.compile(optimizer=optimizer, loss=loss_fn, metrics=[metrics.Accuracy()])

# 4. 模型训练
epochs = 10
for epoch in range(epochs):
    acc_meter = metrics.Accuracy()
    for step, (x_batch, y_batch) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            out = network(x_batch)
            loss = loss_fn(y_batch, out)
        grads = tape.gradient(loss, network.trainable_variables)
        optimizer.apply_gradients(zip(grads, network.trainable_variables))
        acc_meter.update_state(y_batch, tf.argmax(out, axis=1))

    # 打印每个epoch的结果
    print(f'Epoch {epoch + 1}, Loss: {loss.numpy()}, Accuracy: {acc_meter.result().numpy()}')
    acc_meter.reset_states()
  • 3
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
卷积神经网络(Convolutional Neural Networks, CNN)是一种深度学习模型,已经在计算机视觉、自然语言处理等领域取得了很好的效果。以下是一个基本的卷积神经网络的MATLAB代码示例: ```matlab % 导入数据集 load mnist_train.mat X_train = data; % 输入数据 Y_train = labels; % 标签数据 % 设置网络参数 num_classes = 10; % 分类数目 input_shape = [28, 28, 1]; % 输入数据的形状 filter_size = 3; % 卷积核大小 num_filters = 32; % 卷积核数量 pool_size = 2; % 池化层大小 num_epochs = 10; % 迭代次数 batch_size = 128; % 批次大小 % 构建卷积神经网络 model = fitcnnet; model.Layers = [ imageInputLayer(input_shape) convolution2dLayer(filter_size, num_filters, 'Padding', 1) batchNormalizationLayer reluLayer maxPooling2dLayer(pool_size, 'Stride', 2) fullyConnectedLayer(num_classes) softmaxLayer classificationLayer ]; % 设置训练选项 options = trainingOptions('sgdm', ... 'MaxEpochs', num_epochs, ... 'MiniBatchSize', batch_size, ... 'Plots', 'training-progress'); % 训练模型 trained_model = trainNetwork(X_train, categorical(Y_train), model, options); % 导入测试集 load mnist_test.mat X_test = data; % 输入数据 Y_test = labels; % 标签数据 % 预测测试集 Y_pred = classify(trained_model, X_test); % 计算准确率 accuracy = sum(Y_pred == categorical(Y_test)) / numel(Y_test); fprintf('模型在测试集上的准确率为:%f\n', accuracy); ``` 这是一个简单的卷积神经网络的MATLAB代码示例,用于基于MNIST数据集进行手写数字识别。代码中使用了经典的LeNet-5网络结构。使用训练数据集进行模型训练后,在测试集上进行预测,并计算模型的准确率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

写代码的中青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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