BP神经网络：从Numpy到Tensorflow2实现

最新推荐文章于 2024-05-23 21:51:02 发布

VIP文章糟糠的会议室

最新推荐文章于 2024-05-23 21:51:02 发布

阅读量546

点赞数 1

文章标签：神经网络深度学习机器学习 python

本文链接：https://blog.csdn.net/weixin_43297448/article/details/118789423

版权

用最简单的神经网络结构实现一幅灰度图像的彩色化。

BP网络即前馈神经网络，模型在完成一次训练后需要反向对训练过程中的参数进行优化调整，是最基础的神经网络，也是复杂网络结构的基础。

不做过多的原理性介绍，仅仅介绍如何进行结构实现。文章结尾放上Numpy实现与Keras实现。

图1 原始图像

图2 目标彩色图像

所谓神经网络，结构上需要三层结构：输入层、隐藏层、输出层

首先来解决输出层的问题。

首先需要拿到原始图像每个像素点 $P_x(i,j)$ 的4邻域，即该像素点上下左右4个点: $P_x(i,j-1)$ 、 $P_x(i-1,j)$ 、 $P_x(i+1,j)$ 、 $P_x(i,j+1)$ ，加上该点共5个点的灰度值作为输入x

为了提高效果也可为8邻域，此时输入x为9个灰度值

$P_x(i-1,j-1)$	$P_x(i-1,j)$	$P_x(i-1,j+1)$
$P_x(i,j-1)$	$P_x(i,j)$

关注