日月光华深度学习(四)-计算机视觉-卷积神经网络

计算机视觉-卷积神经网络

这是日月光华深度学习的第四章卷积神经网络部分。前三章没有做笔记觉得效果不好，以后慢慢补上。 4.1-4.3原理部分还是主要看李宏毅的机器学习部分比较好。

[4.1]–认识卷积神经网络（一）

CNN可以解决像素较大图像flatten()之后参数爆炸的问题。语音处理也可以使用CNN。

上图中每个卷积核有25个可训练参数
下图中每个卷积核有9个可训练参数

[4.2]–认识卷积神经网络-卷积层和池化层

池化层下采样
卷积 池化 采样使得图片减小。

卷积核的大小就是移动小方块的个数
跨度的大小引起生成图像的大小变换跨度为1小方块挨个走，
边缘填充？


还有平均池化等。一般用最大池化。

[4.3]–卷积神经网络整体架构

（1）多个卷积核把图像变厚。彩色图片用RGB色彩模式，直接出来三层。训练多个卷积核。
layers.Conv2D()中的filter参数就是卷积核的个数和卷积层的厚度直接相关。
（2）池化将图片变小，像素数减少。
卷积运算：变小变厚。

[4.4]–卷积神经网络识别Fashion mnist数据集

CNN对电脑运算速度要求高。如果电脑没有GPU，可以用Kaggle的Kernels免费提供的GPU进行CNN运算。

test_image = np.expand.dims(test_images, -1)

将原来图片的三个维度增加一个维度。（图片数目、高度像素数、宽度像素数、channel）

分析上图每一层的数据维度变化情况

Dense层连接的是一个二维数据，四维数据不能直接与Dense层连接。二维数据输入Dense层之后用Softmax进行激活，就能输出一个概率值。

model.add(tf.keras.layers.GlobalAveragePooling2D())#可以将四维数据变为二维数据。

全局平均池化，将12*12维度的数值进行平均。

[4.6]–卷积神经网络的优化

由于是0123这种label，所以用上图所示的optimizer

训练过程。

发现出现了过拟合，需要进行优化。

①网络拟合能力有待提高，对训练数据都没有拟合好。
需要增加CNN的层数，提高每一层的额单元数，提高模型拟合能力。
②test和train数据有差异，有过拟合。
添加dropout层，减少过拟合。

优化后的CNN模型。