# a_numpy_based_implement_cnn
这是我的博客[《不用框架，使用Python搭建基于numpy的卷积神经网络来进行cifar-10分类的深度学习系统》](https://blog.csdn.net/weixin_37251044/article/details/81290728)的代码实现。
该代码有两个主要部分和其他组成：
>训练
>测试
>其他：卷积层可视化
依赖：
>Python3.6
>numpy;pillow;scipy;matplotlib
IED:
>spyder;jupyter notebook;
其中训练部分由两个Python文件和一个文件夹组成：
```
data_utils.py
cnn.py
./cifar-10-batches-py$ ls
batches.meta data_batch_2 data_batch_4 test_batch
data_batch_1 data_batch_3 data_batch_5
```
[注：cifar-10-batches-py文件夹存放的是cifar—10数据集，相应的`data_utils.py`Python文件是提取数据集的代码。]
测试部分由两个Python文件和一个文件夹组成：
```
data_utils.py
CNN_test.py
./param$ ls
all_param.pkl diff_9.npy param_10.npy
diff_0.npy img_0.png param_1.npy
diff_10.npy img_data_1_con1[10-32-30-30].png param_2.npy
diff_1.npy img_data_2_maxpool1[10-32-14-14].png param_3.npy
diff_2.npy img_data_3_relu1.png param_4.npy
diff_3.npy img_data_4_con2[10-16-14-14].npy.png param_5.npy
diff_4.npy img_data_5_maxpooling2[10-16-6-6].png param_6.npy
diff_5.npy img_data_6_relu2[10-16-6-6].png param_7.npy
diff_6.npy img_去均值之后的图像.png param_8.npy
diff_7.npy img_去均值之前的图像.png param_9.npy
diff_8.npy param_0.npy
```
[注：param文件夹中存放的是训练好的wangluo参数]
运行代码：
1.训练：
```
python cnn.py
```
输出：
2.测试：
```
python CNN_test.py
```
输出：
```
load data: ./cifar-10-batches-py/data_batch_1
load data: ./cifar-10-batches-py/data_batch_2
load data: ./cifar-10-batches-py/data_batch_3
load data: ./cifar-10-batches-py/data_batch_4
load data: ./cifar-10-batches-py/data_batch_5
load data: ./cifar-10-batches-py/test_batch
去均值之前的图像:
(3, 32, 32)
6
[[ 59. 43. 50.]
[ 16. 0. 18.]
[ 25. 16. 49.]]
save pic to: ./param/img_去均值之前的图像.png
done!
去均值之后的图像:
(3, 32, 32)
3
[[ -71.71074 -87.14036 -81.05044]
[-114.0993 -129.3446 -112.2169 ]
[-104.72472 -112.71662 -80.47348]]
save pic to: ./param/img_去均值之后的图像.png
done!
net build ok
该图正确的标签是：3
预测到该图的标签是：[6]
正确率为：0.0
```
《使用Python搭建基于numpy的卷积神经网络来进行cifar-10分类的深度学习系统》的代码实现 （125个子文件） 
data_batch_1 29.6MB data_batch_2 29.6MB data_batch_3 29.6MB data_batch_4 29.6MB data_batch_5 29.6MB
3.gif 64KB a_numpy_based_implement_cnn.iml 398B cnn逐步分析.ipynb 174KB 卷积层的前向传播与反向传播逐行推导.ipynb 25KB 类的变量传递与保存+读取param文件.ipynb 7KB 全连接层正向反向传播.ipynb 7KB Python中Numpy库中的np.sum(array,axis=0,1,2...)怎么理解？.ipynb 6KB 20180724103325706.jfif 81KB 10.jfif 11KB 20180729173229534.jfif 4KB 201807291731055.jfif 4KB 1.jfif 2KB
20170618113249161.jpg 35KB superthumb.jpg 8KB 3.jpg 7KB 4.jpg 7KB 1.jpg 5KB 【反向传播】：卷积层的正向传播与反向传播.md 16KB 【反向传播】：卷积神经网络的反向传播算法原理与实现(1).md 12KB 【反向传播】：全连接层.md 9KB 【交叉熵】：神经网络的Loss函数编写：Softmax+Cross Entropy.md 9KB 【反向传播】：池化层的正向传播与反向传播.md 7KB 【反向传播】：激活层RELU的正向与反向传播.md 5KB README.md 2KB LICENSE.md 1KB batches.meta 158B param_0.npy 2.2MB diff_9.npy 2.2MB param_1.npy 490KB diff_8.npy 490KB diff_7.npy 490KB param_2.npy 490KB diff_6.npy 245KB param_3.npy 245KB diff_10.npy 240KB param_6.npy 45KB diff_4.npy 45KB diff_5.npy 45KB param_4.npy 45KB param_5.npy 45KB diff_3.npy 45KB diff_2.npy 8KB param_8.npy 8KB diff_1.npy 8KB param_7.npy 8KB param_10.npy 880B param_9.npy 880B diff_0.npy 880B all_param.pkl 516KB data.pkl 382B
2.png 98KB 12.png 75KB 00 (2).png 51KB 5.png 49KB 00 (1).png 44KB 1.png 40KB 1.png 40KB 1.png 40KB 6.png 28KB 20180724103944759.png 26KB 20180724103820815.png 23KB 2.png 22KB 5.png 22KB 5.png 22KB 4.png 21KB 7.png 20KB 2.png 18KB 2.png 18KB 3.png 17KB 4.png 16KB 9.png 15KB 8.png 15KB 9.1.png 13KB 20180724104119158.png 13KB 20180724103907353.png 11KB 10.png 11KB 5.png 11KB 7.png 10KB 11.png 10KB 20180724103520756.png 10KB 6.png 10KB 20180724103753252.png 10KB 7.png 9KB 20180729174202947.png 9KB 9.png 8KB 2.png 8KB 10.png 7KB 6.png 7KB 20180729174949656.png 6KB 20180724104145220.png 6KB 4.png 5KB 8.PNG 4KB 3.PNG 4KB 20180724103543182.png 3KB img_0.png 2KB共 125 条
- 1
- 2
资源评论
