lenet5卷积神经网络_tensorflow图像识别入门实战：使用LeNet5模型实现猫狗分类

---

LeNet5介绍

LeNet-5是一种高效的卷积神经网络，在论文《Gradient-Based Learning Applied to Document Recognition》中 有详细的解释，它在大家熟知的手写数字识别项目中它得到广泛地使用。该网络一共有7层，依次为：卷积层、池化层、卷积层、池化层、全连接层、全连接层(输出层)。

分类训练的准备工作

• 准备数据集
• 设计网络结构

数据集的准备杰瑞在前一篇文章中已经讲过了，所以在本篇文章中就不再阐述了，今天主要写一下网络结构的设计。今天教程中所使用的模型是LeNet-5模型，如上图，想必大家已经知道该网络的大概结构了吧？现在要做的就是用python代码实现上图中的网络结构。

主要函数：

tf.nn.conv2d()

tf.nn.max_pool()

tf.nn.lrn()

tf.nn.conv2d()函数主要用来进行卷积操作，tf.nn.max_pool()函数主要用来进行池化操作，tf.nn.lrn()用来对数据进行归一化。

代码实践

tf.nn.conv2d()的参数：input, filter

杰瑞一个batch的数据形状为[?, 64*64]，所以在数据进入网络之前必须要将数据形状改变成[?, 64, 64, 1]。因为tf.nn.conv2d()函数第一个参数input需要[batch_size，图片高度，图片宽度，图片深度]形状的tensor。

filter就是我们用来进行卷积操作的卷积核，实际上它也是一个tensor，我们通过tf.Variable()函数来定义它，以下是定义卷积核的代码：

卷积完成之后我们就可以与偏执量一起求和了，最后经过一个激活函数Relu作为池化层的输入。

池化层

池化层我们通过tf.nn.max_pool()函数来实现，第一个参数就是需要池化的输入，第二个参数是池化窗口的大小，这里设置为[1, 3, 3, 1]，第三个参数是步长，这里设置为[1, 1, 1, 1]。

池化过后我们需要进行局部响应归一化，把反映响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，说白了就是将明显“特征”放大，不明显“特征”减小。

剩下的5层的创建和上面两层的创建步骤差不多，所以就不重复解释了，直接把代码贴上来：

以上图片中的代码按顺序排列构成LeNet-5网络结构。

损失函数与优化方法

杰瑞使用tf.nn.softmax_cross_entropy_with_logits()方法计算交叉熵，并使用tf.train.AdamOptimizer()方法实现梯度下降较小损失值。

开启会话进行训练

这里我们直接开启会话进行训练，在下图中可以看到损失值的变化：

---

关注《高手杰瑞》，每天更新哦！