1. Johngo学长首页
  2. 技术点详细复盘专题
  3. Python

第10节卷积神经网络CNN及其numpy复现

• Python • 阅读 78

### 回答1： CNN 卷积神经网络_代码的实现可以使用多种框架，例如TensorFlow、PyTorch等。以TensorFlow为例，以下是 _CNN 卷积神经网络_的代码实现： 1. 导入必要的包和库 python import tensorflow as tf from tensorflow.keras import layers 2. 定义模型 python model = tf.keras.Sequential() # 添加卷积层 model.add(layers.Conv2D(filters = 32, kernel_size = (5,5), strides = (1, 1), padding = 'same', activation = 'relu', input_shape = (28,28,1))) # 添加最大池化层 model.add(layers.MaxPooling2D(pool_size = (2,2), strides = (2,2), padding = 'same')) # 添加卷积层 model.add(layers.Conv2D(filters = 64, kernel_size = (5,5), strides = (1, 1), padding = 'same', activation = 'relu')) # 添加最大池化层 model.add(layers.MaxPooling2D(pool_size = (2,2), strides = (2,2), padding = 'same')) # 添加Flatten层 model.add(layers.Flatten()) # 添加全链接层 model.add(layers.Dense(_10_24, activation = 'relu')) # 添加Dropout层 model.add(layers.Dropout(0.5)) # 添加输出层 model.add(layers.Dense(_10_, activation = 'softmax')) 3. 编译模型 python model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy']) 4. 训练模型 python model.fit(x_train, y_train, batch_size = 128, epochs = _10_, validation_data = (x_val, y_val)) 其中，x_train为训练数据的特征，y_train为训练数据的标签，x_val为验证数据的特征，y_val为验证数据的标签，batch_size为每个小批量数据的大小，epochs为训练次数。 以上是 _CNN 卷积神经网络_的TensorFlow代码实现，PyTorch的实现方式也类似。需要注意的是， _CNN_的实现过程中需要根据具体问题进行参数的调整和改变，以达到最好的效果。 ### 回答2： _CNN（Convolutional Neural Network）是一种可以自动提取特征的 神经网络，在图像识别、语音识别、自然语言处理等领域应用广泛。下面简单介绍一下 CNN_的代码实现。 1.引入所需的库 首先，我们需要引入tensorflow， _numpy_等所需的库： import tensorflow as tf import _numpy as np 2.定义输入和输出 在 CNN_中，输入是一个二维或三维的图像矩阵，输出是一个标签或概率值，表示该图像属于某个类别的可能性。我们可以使用tf.placeholder()定义输入和输出： x = tf.placeholder(tf.float32, [None, …, …, …]) # 输入 y = tf.placeholder(tf.float32, [None, …]) # 输出 其中，第一个参数是数据类型，第二个参数是数据的维度，None表示可以为不同的样本大小。 3.定义卷积层和池化层 卷积层通过滑动一个卷积核在输入上提取特征，可以用tf.nn.conv2d()实现。池化层则可以通过tf.nn.max_pool()实现，用于降低特征图的尺寸。 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, …, …, 1], padding=’SAME’) def maxpool2d(x): return tf.nn.max_pool(x, ksize=[1, …, …, 1], strides=[1, …, …, 1], padding=’SAME’) 其中，W是卷积核，ksize表示池化窗口的大小，strides表示滑动步长，padding可以选择SAME或VALID，也就是是否在边缘补零。 4.定义全连接层和dropout 全连接层将卷积和池化得到的特征通过一个全连接网络进行分类或回归。dropout是一种正则化方法，可以在训练过程中随机丢弃一些神经元，防止过拟合。 def fully_connected(x, W, b): return tf.matmul(x, W) + b def dropout(x, keep_prob): return tf.nn.dropout(x, keep_prob) 其中，keep_prob表示保留概率。 5.定义损失函数和优化器 在 _CNN_中，常用的损失函数有交叉熵损失函数，均方误差损失函数等，可以使用tf.nn.softmax_cross_entropy_with_logits()实现。优化器则可以使用tf.train.AdamOptimizer()等实现。 cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=…, labels=…)) optimizer = tf.train.AdamOptimizer(learning_rate=…) 6.训练模型和评估准确率 在训练模型前，需要初始化变量，以及设置迭代次数、批次大小等参数。 init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) for epoch in range(num_epochs): … # 分批训练 correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(“Accuracy:”, sess.run(accuracy, feed_dict={x: …, y: …, keep_prob: 1.0})) 其中，tf.argmax()用于找出最大值的下标，tf.equal()用于比较预测值和真实值是否相等，tf.cast()用于数据类型转换。 总之， _CNN_代码实现主要包括引入库、定义输入输出、卷积层、池化层、全连接层、dropout、损失函数、优化器以及训练模型和评估准确率等内容。 ### 回答3： _卷积神经网络（ CNN）是一种适用于图像和视频数据的 深度学习_方法，它可以自动从原始数据中提取特征。 在这种模型中，卷积层实现特定数量和大小的卷积核应用于输入图像中的局部区域。 然后通过池化层对卷积结果进行下采样，以从图像中提取最大的特征。 最后将特征图传递给全连接层，以执行分类或回归任务。 下面是一个基本的 _CNN_代码示例： 1. 导入必要的库和数据集 python # 导入必要的库 import _numpy_ as np import tensorflow as tf from tensorflow.keras.datasets import mnist # 载入 MNIST 数据集 (x_train, y_train), (x_test, y_test) = mnist.load_data() 2. 数据预处理 python # 对输入数据进行标准化处理 x_train = x_train.astype('float32') / 255 x_test = x_test.astype('float32') / 255 # 将标签数据转换为 one-hot 编码 y_train = tf.keras.utils.to_categorical(y_train, _10_) y_test = tf.keras.utils.to_categorical(y_test, _10_) # 添加通道维度 x_train = np.expand_dims(x_train, axis=-1) x_test = np.expand_dims(x_test, axis=-1) 3. 构建 _CNN 模型 python model = tf.keras.Sequential([ tf.keras.layers.Conv2D(filters=32, kernel_size=(3,3), activation='relu', input_shape=x_train.shape[1:]), tf.keras.layers.MaxPooling2D(pool_size=(2,2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(units=128, activation='relu'), tf.keras.layers.Dropout(rate=0.5), tf.keras.layers.Dense(units= _10_, activation='softmax') ]) 4. 编译模型 python model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) 5. 训练模型并进行评估 python history = model.fit(x_train, y_train, epochs= _10_, batch_size=128, validation_split=0.2) test_loss, test_acc = model.evaluate(x_test, y_test) print('Test accuracy:', test_acc) 总的来说， _CNN_使代码的执行更加高效，尤其是对于图像或视频数据。通过在实现过程中使用卷积层和池化层， _CNN_可以消耗更少的资源提取特征并获得更好的准确性。

Original: https://blog.csdn.net/weixin_32393347/article/details/122203628
Author: 三更两点
Title: 第10节卷积神经网络CNN及其numpy复现

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/762106/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

  • django的项目文件功能介绍

    ### 回答1： Django_是一个高效的 _Python Web框架，在实践中开发 Django 项目_非常有意义。首先，我们需要了解 _Django_的架构和基本 _功能。 …

    Python 2023年8月4日
    055

  • conda 环境

    conda 环境 虚拟环境的一些指令 conda install和pip install的区别 在虚拟环境中启动jupyter notebook 虚拟环境的一些指令 查看所有虚拟环…

    Python 2023年9月7日
    060

  • 解决RockyLinux和Centos Stream 9中firefox无法播放HTML视频问题

    如题在测试两种centos后续系统时，发现firefox无法播放HTML视频问题。经过一番折腾找到了解决的办法，具体解决如下： 首先下载VLC 而后重启浏览器就可以使用firefo…

    Python 2023年10月11日
    045

  • 微信小程序——云音乐界面

    文章目录 第一章 开发前的准备 * 一、项目展示 二、项目分析 三、项目初始化 第二章 标签页切换 * 一、任务分析 二、常用组件介绍 三、编写页面结构和样式 第三章 音乐推荐 *…

    Python 2023年9月15日
    050

  • MasaFramework — 缓存入门与设计

    概念 什么是缓存，在项目中，为了提高数据的读取速度，我们会对不经常变更但访问频繁的数据做缓存处理，我们常用的缓存有： 本地缓存 内存缓存：IMemoryCache 分布式缓存 Re…

    Python 2023年10月18日
    048

  • Java 序列化

    当一个对象需要持久化（存储）或者传输的时候，就用到了序列化。对象可以转换成字节序列，该字节序列包括这个对象的数据和类型信息也包括存储在对象中数据的类型。 将序列化对象持久化（写入文…

    Python 2023年10月22日
    044

  • js之页面列表加载常用方法总结

    导语：最近由于一些事情需要处理，所以没来得及写技术总结了。今天终于可以坐下来好好的梳理一下脉络，说一下那个在日常前端开发过程中，常用到的页面列表加载的方法总结。这里介绍三种方法，分…

    Python 2023年10月21日
    044

  • 机器学习实战-AdaBoost

    1.概念 从若学习算法出发，反复学恶习得到一系列弱分类器(又称基本分类器)，然后组合这些弱分类器构成一个强分类器。简单说就是假如有一堆数据data，不管是采用逻辑回归还是SVM算法…

    Python 2023年10月31日
    025

  • 区块链游戏- Solcery（Summoner 召唤者）

    区块链游戏- Solcery 官方推特：https://twitter.com/SolceryGameshttp://solcery.xyzhttp://solcery.gitbo…

    Python 2023年9月19日
    037

  • 40_Pandas中crosstab进行交叉制表（计算每个类别的出现次数和频率）

    可以使用pandas.crosstab（）函数完成交叉表分析。 可以为每个类别的分类数据（分类数据，定性数据）计算样本数（出现次数/频率）。 如果要计算每个类别的平均值而不是出现次…

    Python 2023年8月7日
    073

  • Python—数据分析与可视化编程

    目标： 掌握numpy模块基本操作；掌握matplotlib模块基础操作；掌握pandas模块基础操作。 内容： 1.编写程序，利用pyplot将绘图区域划分成2*1个子绘图区域，…

    Python 2023年8月6日
    085

  • python对dataframe列进行操作（统计数值次数、列值更换、删除数据框方括号）

    1. 统计数值次数 （1）空值统计 （2）数值次数 （3）某元素次数 2. 列值更换 3. 删除数据框方括号 （1）方括号为list型 （2）方括号为string型 1. 统计数值…

    Python 2023年8月6日
    068

  • JDBC — API

    目录 DriverManager 驱动管理类 作用 注册驱动 获取数据库连接 Connection 数据库连接对象 作用 获取执行SQL的对象 管理事务 Statement 作用 …

    Python 2023年9月27日
    033

  • Python自学教程1-安装pycharm和执行环境

    Python虽然简单，但是很多没有接触过的学起来还是比较困难的。因此很多人会报班去学，我觉得不需要花那个钱，只要方向正确，加上核心知识点的提炼，自学一个月左右就能上手。 我尝试写下…

    Python 2023年6月11日
    0104

  • 【身份证识别】BP神经网络身份证号码识别【含Matlab源码 1344期】

    ⛄一、身份证号码识别简介（附课题作业报告） 1 引言当今是一个信息高度发达的时代，对于每个公民而言身份证那一连串的数字体现了个人信息的唯一性，出于保障公民合法权益和社会治安的考虑，…

    Python 2023年8月12日
    061

  • 联邦学习：联邦场景下的多源知识图谱嵌入

    1 导引 目前，知识图谱(Knowlege Graph)在医疗、金融等领域都取得了广泛的应用。我们将知识图谱定义为(\mathcal{g}={\mathcal{E}, \mathc…

    Python 2023年10月25日
    054
亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球