正文

本文已参与「新人创作礼」活动，一起开启掘金创作之路。卷积神经网络中的卷积其实跟数学中的卷积差别还是较大的，组成卷积神经网络主要有，卷积层，池化层，激活层等。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层（池化层）构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征图(featureMap)，每个特征图由一些矩形排列的的神经元组成，同一特征图的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化（pooling），通常有均值子采样（mean pooling）和最大值子采样（max pooling）两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

python实现卷积神经网络

import numpy as np
import pandas as pd
from keras.optimizers import SGD
from keras.datasets import cifar10
from keras.models import Sequential
from keras.utils import np_utils as utils
from keras.layers import Dropout, Dense, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D

(X, y), (X_test, y_test) = cifar10.load_data()
# 规范化数据
X，X_test = X.astype（'float32'）/ 255.0，X_test.astype（'float32'）/ 255.0

y，y_test = utils.to_categorical（y，10），u.to_categorical（y_test，10）

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=(32, 32, 3), padding='same', activation='relu'))
# Dropout
model.add（Dropout（0.2））
# 添加另一个卷积层 padding ='valid'表示输出尺寸可以采用任何形式
model.add（Conv2D（32，（3，3），activation ='relu'，padding ='valid'））
# 添加一个最大池化层
model.add（MaxPooling2D（pool_size =（2，2）））
# 展平
model.add（Flatten（））
# Dense层 隐藏单元数为521
model.add(Dense(512, activation='relu'))
# Dropout
model.add（Dropout（0.3））
#output 
model.add(Dense(10, activation='softmax'))
# 编译模型 激活器选择SGD
    model.compile(loss='categorical_crossentropy',             optimizer=SGD(momentum=0.5, decay=0.0004), metrics=['accuracy'])
    model.fit(X, y, validation_data=(X_test, y_test), epochs=25,          batch_size=512)

机器学习（5）卷积神经网络

正文

python实现卷积神经网络