您好,登錄后才能下訂單哦!
這篇文章主要介紹了Python中如何實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò),具有一定借鑒價值,感興趣的朋友可以參考下,希望大家閱讀完這篇文章之后大有收獲,下面讓小編帶著大家一起了解一下。
Yann LeCun 和Yoshua Bengio在1995年引入了卷積神經(jīng)網(wǎng)絡(luò),也稱為卷積網(wǎng)絡(luò)或CNN。CNN是一種特殊的多層神經(jīng)網(wǎng)絡(luò),用于處理具有明顯網(wǎng)格狀拓撲的數(shù)據(jù)。其網(wǎng)絡(luò)的基礎(chǔ)基于稱為卷積的數(shù)學(xué)運算。
卷積神經(jīng)網(wǎng)絡(luò)(CNN)的類型
以下是一些不同類型的CNN:
1D CNN:1D CNN 的輸入和輸出數(shù)據(jù)是二維的。一維CNN大多用于時間序列。
2D CNNN:2D CNN的輸入和輸出數(shù)據(jù)是三維的。我們通常將其用于圖像數(shù)據(jù)問題。
3D CNNN:3D CNN的輸入和輸出數(shù)據(jù)是四維的。一般在3D圖像上使用3D CNN,例如MRI(磁共振成像),CT掃描(甲CT掃描或計算機斷層掃描(以前稱為計算機軸向斷層或CAT掃描)是一種醫(yī)學(xué)成像 技術(shù)中使用的放射學(xué)獲得用于非侵入性詳述的身體的圖像診斷的目的)和其他復(fù)雜應(yīng)用程序的DICOM圖像(醫(yī)學(xué)數(shù)字成像)
以下是CNN中不同層的網(wǎng)絡(luò)架構(gòu):
卷積層
池化層
全連接層
CNN架構(gòu)的完整概述
卷積是對名為f
和g
的兩個函數(shù)的數(shù)學(xué)計算,得出第三個函數(shù)(f * g)
。第三個功能揭示了一個形狀如何被另一個形狀修改。其數(shù)學(xué)公式如下:
h ( x , y ) = f ( x , y ) ? g ( x , y ) h(x,y)=f(x,y)*g(x,y) h(x,y)=f(x,y)?g(x,y)
卷積有幾個非常重要的概念:遮罩。
圖中的黃色的部分的就是遮罩
卷積層是CNN的核心構(gòu)建塊。CNN是具有一些卷積層和其他一些層的神經(jīng)網(wǎng)絡(luò)。卷積層具有幾個進行卷積運算的過濾器。卷積層應(yīng)用于二維輸入,由于其出色的圖像分類工作性能而非常著名。它們基于具有二維輸入的小核k的離散卷積,并且該輸入可以是另一個卷積層的輸出。
from keras.models import Sequential from keras.layers.convolutional import Conv2D model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=(32, 32, 3), padding='same', activation='relu'))
上面的代碼實現(xiàn)說明:
輸出將具有32個特征圖。
內(nèi)核大小將為3x3。
輸入形狀為32x32,帶有三個通道。
padding = same。這意味著需要相同尺寸的輸出作為輸入。
激活指定激活函數(shù)。
接下來,使用不同的參數(shù)值構(gòu)建一個卷積層,如下所示
池化層它的功能是減少參數(shù)的數(shù)量,并減小網(wǎng)絡(luò)中的空間大小。我們可以通過兩種方式實現(xiàn)池化:
Max Pooling:表示矩形鄰域內(nèi)的最大輸出。Average Pooling:表示矩形鄰域的平均輸出
Max Pooling和Average Pooling減少了圖像的空間大小,提供了更少的特征和參數(shù)以供進一步計算。
上圖顯示了帶有步幅為2的2X2濾波器的MaxPool池化層。
在Keras中實現(xiàn)Max Pool層,如下所示:
model.add(MaxPooling2D(pool_size =(2,2)))
全連接層是確定最終預(yù)測的所有輸入和權(quán)重的總和,代表最后一個合并層的輸出。它將一層中的每個神經(jīng)元連接到另一層中的每個神經(jīng)元
全連接層的主要職責(zé)是進行分類。它與softmax激活函數(shù)一起使用以得到結(jié)果。
用于多類的激活函數(shù)是softmax函數(shù),該函數(shù)以0和1(總計為1)的概率對完全連接的層進行規(guī)范化。
帶有非線性函數(shù)“ Softmax”的Keras代碼如下:
model.add(Dense(10, activation='softmax'))
環(huán)境Google Colab
導(dǎo)入所有必需的庫
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
加載cifar10數(shù)據(jù):
(X, y), (X_test, y_test) = cifar10.load_data() # 規(guī)范化數(shù)據(jù) X,X_test = X.astype('float32')/ 255.0,X_test.astype('float32')/ 255.0
轉(zhuǎn)換為分類:
y,y_test = utils.to_categorical(y,10),u.to_categorical(y_test,10)
初始化模型:
model = Sequential()
使用以下參數(shù)添加卷積層:
Features map = 32
內(nèi)核大小= 3x3
輸入形狀= 32x32
Channels = 3
Padding = 3→表示與輸入相同的尺寸輸出
model.add(Conv2D(32, (3, 3), input_shape=(32, 32, 3), padding='same', activation='relu')) # Dropout model.add(Dropout(0.2)) # 添加另一個卷積層 padding ='valid'表示輸出尺寸可以采用任何形式 model.add(Conv2D(32,(3,3),activation ='relu',padding ='valid')) # 添加一個最大池化層 model.add(MaxPooling2D(pool_size =(2,2))) # 展平 model.add(Flatten()) # Dense層 隱藏單元數(shù)為521 model.add(Dense(512, activation='relu')) # Dropout model.add(Dropout(0.3)) #output model.add(Dense(10, activation='softmax')) # 編譯模型 激活器選擇SGD model.compile(loss='categorical_crossentropy', optimizer=SGD(momentum=0.5, decay=0.0004), metrics=['accuracy'])
25個epochs
model.fit(X, y, validation_data=(X_test, y_test), epochs=25, batch_size=512)
卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的多層神經(jīng)網(wǎng)絡(luò),主要用于提取特征。CNN使用稱為卷積和池化的兩個操作將圖像縮小為其基本特征,并使用這些特征適當?shù)乩斫夂头诸悎D像
感謝你能夠認真閱讀完這篇文章,希望小編分享的“Python中如何實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)”這篇文章對大家有幫助,同時也希望大家多多支持億速云,關(guān)注億速云行業(yè)資訊頻道,更多相關(guān)知識等著你來學(xué)習(xí)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。