没有合适的资源？快使用搜索试试~ 我知道了~

文库首页后端PythonTensorflow卷积神经网络详解

Tensorflow卷积神经网络详解

tensorflow

神经网络

卷积神经网络

需积分: 5 2 下载量 76 浏览量 2023-05-08 11:17:36 上传评论 1 收藏 1.55MB DOCX 举报

温馨提示

试读

31页

传统神经网络的一个局限是它对于图像平移变换--即一个猫在右上角的图片与猫在中心的图片是不同对待的。卷积神经网络Convolutional neural networks (CNNs)用于处理这种问题。因为CNN可以处理图像的平移，它被认为很有用，而且CNN架构被认为是目标识别/检测最选进的技术。这一章我们学习如下知识: •CNN的工作细节 •CNN如何改时传统神经网络的缺点 •卷积和池化对于图像平移的影响 •如何用python实现 CNN

资源推荐

资源详情

资源评论

香港科技大学发布的极简 TensorFlow 入门教程。第一天先介绍了深度学习和机器学习的潜力与基本概念。第二天详细地讨论了卷积神经网。第三天详解了循环神经网络。

python做的《点燃我温暖你》中李峋的同款爱心代码，最还原的

Python入门基础

卷积神经网络

传统神经网络的一个局限是它对于图像平移变换--即一个猫在右上角的图

片与猫在中心的图片是不同对待的。卷积神经网络 Convolutional neural

networks (CNNs)用于处理这种问题。

因为 CNN 可以处理图像的平移，它被认为很有用，而且 CNN 架构被

认为是目标识别/检测最选进的技术。

这一章我们学习如下知识:

•

CNN 的工作细节

•

CNN 如何改时传统神经网络的缺点

•

卷积和池化对于图像平移的影响

•

如何用 python 实现 CNN

要理解为什么需要CNN，我们从一个例子开始。假如我们要分类一张图像里

是否有垂直的线 (可能是告诉我们是否有 1 存在)。为了简单起见,我们假定图

像是 5 × 5 像素大小的。垂直的线（数字 1）可以用一些方法表示 :

我们也可以检查 MNIST 数据集里数字 1 的不同表示方法。一张数字 1 的图片见

图 9-1。

图 9-1. 与数字 1 对应的图像的像素

在图里，越红的地方就是我们越常写的地方，模糊的地方是比较少写的

地方。中间的像素最红，因为人们最常在那个地方写，不管他们写 1 的角度

如何--垂直或向左或向右斜。在下面的一节，你会注意到神经网络预测不会

准确当图像平移一些像素时。在后一节，我们会理解 CNN 如何解决图像平移

的问题。

传统神经网络的问题

刚才提到的情况，传统的神经网络突出图像为 1 仅当中间的像素被突出而

别的像素不突出时(因为许多人在中间突出像素)。

要更好的理解这个问题，我们看一下我们在第7章写的代码 (见 “

http://www.aluoyun.cn/preview/Chapter9-CNN/

issue with

traditional NN.ipynb” ):

下载数据集并提取训练集和测试集:

from keras.datasets import mnist

import matplotlib.pyplot as plt

%matplotlib inline

# load (downloaded

needed) the

MNIST

dataset

(X_train, y_train),

(X_test, y_test)

mnist.load_data()

# plot 4 images as gray scale

plt.subplot(221)

plt.imshow(X_train[0], cmap=plt.get_cmap('gray'))

plt.subplot(222)

plt.imshow(X_train[1], cmap=plt.get_cmap('gray'))

plt.subplot(223)

plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))

plt.subplot(224)

plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))

# show the plot

plt.show()

导入相关的包:

import numpy as np

from keras.datasets import mnist

from keras.models import

Sequential

from keras.layers import Dense

from keras.layers import Dropout

from keras.layers

import Flatten

from keras.layers.convolutional import Conv2D

from keras.layers.convolutional import MaxPooling2D

from keras.utils

import np_utils

from keras import backend as

获取训练集里的数字 1:

X_train1 = X_train[y_train==1]

变改形状变归一化数据集:

num_pixels = X_train.shape[1] * X_train.shape[2]

X_train =

X_train.reshape(X_train.shape[0],num_pixels

).astype('float32')

X_test = X_test.reshape(X_test.shape[0],num_pixels).

astype('float32')

X_train = X_train

255

X_test = X_test

255

独热编码标签:

y_train =

np_utils.to_categorical(y_train)

y_test =

np_utils.to_categorical(y_test)

num_classes =

y_train.shape[1]

构建模型并运行它:

model = Sequential()

model.add(Dense(1000, input_dim=num_pixels, activation='relu'))

model.add(Dense(num_classes, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam',

metrics=[''accuracy'])

model.fit(X_train, y_train, validation_data=(X_test, y_test),

epochs=5, batch_size=1024, verbose=1)

我们绘制平均 1 的标签:

pic=np.zeros((28,28))

pic2=np.copy(pic)

for

in range(X_train1.shape[0]):

pic2=X_train1[i,:,:]

pic=pic+pic2

pic=(pic/X_train1.shape[0])

plt.imshow(pic)

图 9-2 显示结果。

图 9-2. 平均 1 图像

情况 1

在这种情况，新的图像被创建 (图 9-3)通过原始图像向左平移一个像素:

for

in range(pic.shape[0]):

i<20:

pic[:,i]=pic[:,i+1]

plt.imshow(pic)

图 9-3. 平均 1 图像向左平移一个像素

我们继续并用构建的模型预测图 9-3 的标签:

model.predict(pic.reshape(1,784))

我们看到错误的预测为 8 作为输出。

情况 2

不平移原始平均 1 图像创建新的图像 (图 9-4):

pic=np.zeros((28,28))

pic2=np.copy(pic)

for

in range(X_train1.shape[0]):

pic2=X_train1[i,:,:]

pic=pic+pic2

pic=(pic/X_train1.shape[0])

plt.imshow(pic)

剩余30页未读，继续阅读

评论收藏

内容反馈

资源评论

资源反馈

评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~

lishaoan77

粉丝: 154
资源: 25

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

前往需求广场，查看用户热搜

Tensorflow卷积神经网络详解

DCRNN:Tensorflow中扩散卷积循环神经网络的实现

机器学习-14. 卷积神经网络深入、AlexNet模型

机器学习-13. 卷积神经网络、CNN识别图片（下）

机器学习-13. 卷积神经网络、CNN识别图片（上）

机器学习-05. 分类器项目案例和神经网络算法

21个项目玩转深度学习_基于TensorFlow的实践详解

机器学习-09. 深度学习、TensorFlow安装和实现

机器学习-10. TensorFlow深入、TensorBoard

机器学习-04. 逻辑回归详解和应用（上）

机器学习-04. 逻辑回归详解和应用（下）

机器学习-11. DNN深度神经网络手写图片识别

机器学习-06. 多分类、决策树分类、随机森林分类（上）

香港科技大学TensorFlow三天速成课件

tensorflow21个项目玩转深度学习源代码.zip

机器学习-02. 线性回归深入和代码实现

机器学习-08. 密度聚类、谱聚类

机器学习-12. TensorBoard可视化

《点燃我温暖你》中李峋的同款爱心代码

122版本Chrome最新驱动-122.0.6261.58

第十五届蓝桥杯大赛软件赛省赛-PythonB组题目

Python入门基础教程全套.ppt

Stable Diffusion WebUI linux部署问题

第十五届蓝桥杯大赛软件赛省赛-PythonA组题目

Tesseract最新中文语言包chi-sim.traineddata

手眼标定源数据（棋盘格+excel）

Python学习笔记(干货) 中文PDF完整版.pdf

PyCharm安装教程一篇搞定包括下载PyCharm、安装PyCharm、PyCharm简单使用教程

Microsoft C++ Build Tools

最新资源