《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

# 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 ```