TF2.0深度学习实战（六）：搭建GoogLeNet卷积神经网络

最新推荐文章于 2024-08-27 19:30:00 发布
最新推荐文章于 2024-08-27 19:30:00 发布
阅读量1.8w 收藏 80
点赞数 65
分类专栏： CV实战项目：图像分类+目标检测+语义分割 文章标签： tensorflow GooLeNet 卷积神经网络 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wjinjie/article/details/105457740
版权
本文介绍了GoogLeNet卷积神经网络的理论和创新点，包括Inception模块、1x1卷积核降维、辅助分类器和整体结构。在TensorFlow2.0中，作者详细阐述了数据集准备、网络搭建、模型训练及预测过程，展示了如何在自定义数据集上实现图片分类。通过19个epochs的训练，模型在训练集和验证集上分别达到83.9%和83.7%的准确率。
摘要由CSDN通过智能技术生成

写在前面：大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！ 这博客是我对学习的一点总结与记录。如果您也对 深度学习、机器视觉、算法、Python、C++ 感兴趣，可以关注我的动态，我们一起学习，一起进步~
我的博客地址为：【AI 菌】的博客
我的Github项目地址是：【AI 菌】的Github
本教程会持续更新，如果对您有帮助的话，欢迎star收藏~

前言：
  本专栏将分享我从零开始搭建神经网络的学习过程，注重理论与实战相结合，力争打造最易上手的小白教程。在这过程中，我将使用谷歌TensorFlow2.0框架逐一复现经典的卷积神经网络：LeNet、AlexNet、VGG系列、GooLeNet、ResNet 系列、DenseNet 系列，以及现在比较流行的：RCNN系列、SSD、YOLO系列等。

  这一次我将复现非常经典的GooLeNet卷积神经网络。首先在理论部分，我会依据论文对GooLeNet进行一个简要的讲解。然后在实战部分，我会对自定义数据集进行加载、搭建GooLeNet网络、迭代训练，最终完成图片分类和识别任务。

系列教程：
    深度学习环境搭建：Anaconda3+tensorflow2.0+PyCharm

    TF2.0深度学习实战（一）：分类问题之手写数字识别

    TF2.0深度学习实战（二）：用compile()和fit()快速搭建卷积神经网络

    TF2.0深度学习实战（三）：搭建LeNet-5卷积神经网络

    TF2.0深度学习实战（四）：搭建AlexNet卷积神经网络

    TF2.0深度学习实战（五）：搭建VGG系列卷积神经网络

资源传送门：

    论文地址：《Going deeper with convolutions》
    论文翻译：GoogLeNet 原文翻译：《Going deeper with convolutions》
    github项目地址：【AI 菌】的Github
    数据集下载：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI 菌
关注
专栏目录
订阅专栏
TF2.0深度学习实战（四）：搭建AlexNet卷积神经网络
不积跬步，无以至千里！
03-28 9141
你与AI只差这一步~
TF2.0深度学习实战（七）：手撕深度残差网络ResNet
不积跬步，无以至千里！
04-19 1万+
手把手带你搭建网络模型，实现图像分类与目标检测。大神勿扰~
GoogLeNet模型构建
weixin_42729025的博客
05-27 224
import tensorflow as tf from d2l import tensorflow as d2l import matplotlib as plt class Inception(tf.keras.Model): # def __init__(self, c1, c2, c3, c4): super().__init__() # 线路1，单1x1卷积层 self.p1_1 = tf.keras.layers.Conv2D(c
Keras应用搭建好的模型三可视化loss和acc曲线
qq_35925375的博客
03-24 1855
其实，在我们进行六步法中的model.fit()时，loss和acc就已经自动保存了，那么只要使用history就可以将其复现，代码如下： #loss是训练集loss，val_loss是测试集loss #sparse_categorical_accuracy是训练集sparse_categorical_accuracy，val_sparse_categorical_accuracy是测试集sparse_categorical_accuracy acc = history.history['sparse_ca
深度学习分类任务(4):TF2.0基于fashion数据集的GoogLeNet神经网络搭建
青鸠的博客
08-18 748
TF2.0基于fashion数据集的GoogLeNet神经网络搭建 1、GoogLeNet简介 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见 大话CNN经典模型：VGGNet），而GoogLeNet则做了更加大胆的网络结构尝试，虽然深度只有22层，但大小却比AlexNet和VGG小很多，GoogleNet参数
GoogLeNet卷积神经网络--TensorFlow2
一只AI小白
04-14 422
GoogLeNet卷积神经网络--TensorFlow2结果展示loss和acc曲线计算参数程序 结果展示 epoch = 10 acc = 83.98% loss和acc曲线 计算参数 程序 # -*- coding: utf-8 -*- """ Created on Tue Apr 14 2020 @author: jiollos """ # 导入包 import tensorflow a...
GoogLeNet实战
jiayoudangdang的博客
12-24 908
# softmax 将实数值转换为概率值 # 使用Keras接口如何操作 # import 导入模块，每次使用模块中的函数都要是定是哪个模块。 # from…import * 导入模块，每次使用模块中的函数，直接使用函数就可以了； # 注因为已经知道该函数是那个模块中的了。 import tensorflow as tf import os from tensorflow import keras from tensorflow.keras import layers , Sequential , dat
GoogleNet_V1实战
xiaobian_的博客
05-10 532
import tensorflow as tf import tensorflow.keras as keras import matplotlib.pyplot as plt import numpy as np from tensorflow.keras import datasets, layers, optimizers, models, regularizers import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' def normalize(x_
【入门教程】​TensorFlow 2.0 模型：卷积神经网络
tensorflowforum的博客
01-11 9255
文 /李锡涵，Google Developers Expert 本文节选自《简单粗暴 TensorFlow 2.0》 在《【入门教程】TensorFlow 2.0 模型：多层感知机》里，我们以多层感知机（Multilayer Perceptron）为例，总体介绍了 TensorFlow 2.0 的模型构建、训练、评估全流程。 本篇文章则以在图像领域常用的卷积神经网络为主题，介绍以下内容： 如何使用 tf.keras 构建卷积神经网络模型； 如何在自己的项目中快速载入并使...
最适合入门的100个深度学习项目
热门推荐
CSDN 精品推荐
10-17 10万+
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
GoogLeNet卷积神经网络–TensorFlow2
01-21
GoogLeNet卷积神经网络–TensorFlow2结果展示loss和acc曲线计算参数程序 结果展示 epoch = 10 acc = 83.98% loss和acc曲线 计算参数 程序 # -*- coding: utf-8 -*- Created on Tue Apr 14 2020 @author: jiollos # 导入包 import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt from tensorflow.keras.layers i
​TensorFlow 2.0 模型：卷积神经网络
weixin_40920183的博客
10-14 505
文 /李锡涵，Google Developers Expert本文节选自《简单粗暴 TensorFlow 2.0》本篇文章则以在图像领域常用的卷积神经网络为主题，介绍以下内容：如何使...
常用卷积神经网络 -- GoogLeNet
qq_32172681的博客
07-15 616
GoogLeNet团队提出了Inception网络结构，就是构造一种“基础神经元”结构，来搭建一个稀疏性、高计算性能的网络结构。 Inception历经了V1、V2、V3、V4等多个版本的发展。 1、InceptionV1 （1）Inception块 Inception块里有4条并行的线路。前3条线路使用窗口大小分别是1 × 1、3 × 3和5 × 5的卷积层来抽取不同空间尺寸...
深度学习分类任务(2):TF2.0基于fashion数据集的AlexNet神经网络搭建
青鸠的博客
08-10 608
TF2.0基于fashion数据集的AlexNet神经网络搭建 1、AlexNet模型简介 这张图片本来上半部分就没有，论文中就是给的这个图。 然后之所以用的上下两半一样的结构，是因为他们当时用的GPU计算力有限，所以用了两块GPU：GTX 580。现在都是2020年了，你笔记本上的GPU估计都是GTX1080了，所以下面讲的时候就当作是只用的一个GPU来分析。 AlexNet共有八层，有60M以上的参数量。 前五层为卷积层：convolutional layer； 后三层为全连接层，fully conn
tensorflow-keras框架搭建GoogLeNet分类网络(附带注释)
认真努力，做一只会飞的毛毛虫。
12-01 5511
模块1：resize数据集 import os import cv2 def resize_img(DATADIR, data_k, img_size): w = img_size[0] h = img_size[1] '''设置目标像素大小，此处设为300''' path = os.path.join(DATADIR, data_k)#按顺序拼接多个路径 # 返回path路径下所有文件的名字 img_list = os.listdir(path)
跟着问题学8——GoogLeNet网络详解及代码实战
最新发布
weixin_42251091的博客
08-27 1028
GoogLeNet是2014年Christian Szegedy等人在2014年大规模视觉挑战赛(ILSVRC-2014)上使用的一种全新卷积神经网络结构，并以6.65%的错误率力压VGGNet等模型取得了ILSVRC-2014在分类任务上的冠军，于2015年在CVPR发表了论文《Going Deeper with Convolutions》。
Tensorflow2.0 卷积神经网络
Xpy_021101的博客
03-02 296
3层神经网络 ，括号中的第一个参数表示神经元的数量，最后一个有10个单元，因为数据集中有10类标签，这里应该匹配，第一层是一个扁平层输入的形状是28x28，因为我们的图像就是28x28，扁平化是将这个28x28的正方形变成一个简单的线性阵列，中间一层是隐藏层有128个神经元。conv卷积层，要求Keras为我们生成64个过滤器，过滤器是3x3，激活函数是Relu，意味着负值会被丢弃，最后输入形状和之前一样为28x28，通道是1，即灰度图像。优化器是sgd，代表随机梯度下降，损失函数是均方误差。
tensorflow2.0(二)----卷积神经网络(CNN)
weixin_43648821的博客
12-01 403
使用Keras实现卷积神经网络 class CNN(tf.keras.Model): def __init__(self): super().__init__() self.conv1 = tf.keras.layers.Conv2D( filters = 32, kernel_size=[5,5], padding = 'same', activation = tf.nn.relu) self.pool1 = tf.keras.layers.MaxPool2D(poo
tf2.0深度学习实战(三):搭建lenet-5卷积神经网络
12-14
tf2.0深度学习实战(三)是一本介绍如何搭建lenet-5卷积神经网络的书籍。Lenet-5是一个经典的深度学习模型，通常用于手写数字识别任务。该书籍详细介绍了如何使用TensorFlow 2.0框架来实现Lenet-5模型，从搭建模型、编写代码到模型训练和验证，全方位地指导读者进行实战。 首先，书籍介绍了Lenet-5模型的结构和原理，包括卷积层、池化层和全连接层等基本组件的构成，以及激活函数、损失函数和优化器的选择。然后，通过TensorFlow 2.0的高层API，书籍演示了如何使用keras库来构建Lenet-5模型的代码，包括定义模型结构、编译模型、设置优化器和损失函数等步骤，使读者能够快速上手。 接着，书籍详细讲解了如何使用MNIST手写数字数据集来训练和验证Lenet-5模型，包括数据预处理、模型训练和测试评估等内容。通过实际的代码演示和实验结果展示，读者可以直观地了解模型的性能和训练过程，提升对深度学习模型的理解和实践能力。 最后，书籍还介绍了如何对Lenet-5模型进行优化和改进，包括调整模型结构、改变参数配置和使用其他技巧来提升模型的性能。通过这些内容，读者可以深入理解Lenet-5模型的原理和实现细节，为之后在实际项目中应用深度学习模型打下良好的基础。整体而言，tf2.0深度学习实战(三)通过详细的讲解和实战操作，帮助读者掌握了搭建Lenet-5卷积神经网络的技能和经验。
评论 100
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

AI 菌

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

实付元
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