深度学习笔记（23）：第四课第一周第二次作业

最新推荐文章于 2022-08-19 16:38:56 发布

Timothyxxx

最新推荐文章于 2022-08-19 16:38:56 发布

阅读量361

点赞数

分类专栏：吴恩达深度学习笔记笔记神经网络

本文链接：https://blog.csdn.net/weixin_43197820/article/details/105902964

版权

这篇博客记录了作者使用TensorFlow构建一个参考前人实践的CNN模型的过程，详细介绍了代码实现，包括创建占位符、初始化参数、前向传播、计算成本等步骤。虽然在计算成本部分遇到一些问题，但整体实现并不复杂，并且相比于全连接神经网络，模型在准确率上有提升。

摘要由CSDN通过智能技术生成

前言

在这次实验，我们使用tensorflow搭建了一个前人实践出来的CNN模型，参考了一下他们的各种超参数的设置和Conv的位置等。然后将代码实现出来。总体来说还是不难的。

TensorFlow新学习的代码条

tf.nn.conv2d(X,W1, strides = [1,s,s,1], padding = 'SAME')

给定输入 $X$ 和一组滤波器 $W 1$ ，函数将使用 $W 1$ 的滤波器卷积X。第三个输入([1,f,f,1])表示输入的每个维度(m, n_H_prev, n_W_prev, n_C_prev)的步幅。

tf.nn.max_pool(A, ksize = [1,f,f,1], strides = [1,s,s,1], padding = 'SAME')

给定输入A，此函数使用大小为（f，f）的窗口和大小为（s，s）的步幅在每个窗口上进行最大池化。

tf.nn.relu(Z1)

计算Z1的ReLU激活输出（可以是任何形状）。

tf.contrib.layers.flatten(P)

给定输入P，此函数将每个示例展平为一维向量，同时保持批量大小。它返回维度为[batch_size，k]的展平张量。

tf.contrib.layers.fully_connected(F, num_outputs)

给定展平的输入F，它将返回用全连接层计算出的输出。

tf.nn.softmax_cross_entropy_with_logits(logits = Z3, labels = Y)

计算softmax熵损失，该函数会计算softmax激活函数以及由此产生的损失。

tf.reduce_mean

计算张量各维度上元素的均值，用它来对所有训练示例的损失求和，以获得总损失。

代码

CreatePlaceHolders

# GRADED FUNCTION: create_placeholders

def create_placeholders(n_H0, n_W0, n_C0, n_y):
    """
    Creates the placeholders for the tensorflow session.
    
    Arguments:
    n_H0 -- scalar, height of an input image
    n_W0 -- scalar, width of an input image
    n_C0 -- scalar, number of channels of the input
    n_y -- scalar, number of classes
        
    Returns:
    X -- placeholder for the data input, of shape [None, n_H0, n_W0, n_C0] and dtype "float"
    Y -- placeholder for the input labels, of shape [None, n_y] and dtype "float"
    """

    ### START CODE HERE ### (≈2 lines)
    X = tf.placeholder(tf.float32 , shape = (None, n_H0, n_W0, n_C0))
    
    Y = tf.placeholder(tf.float32 , shape = (