一、卷積神經(jīng)網(wǎng)絡(luò)

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?fù)涞臄?shù)據(jù)。其網(wǎng)絡(luò)的基礎(chǔ)基于稱為卷積的數(shù)學(xué)運(yùn)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(shí)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(wèn)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(jì)算機(jī)斷層掃描（以前稱為計(jì)算機(jī)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）

二、網(wǎng)絡(luò)架構(gòu)

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

三、卷積

卷積是對(duì)名為f和g的兩個(gè)函數(shù)的數(shù)學(xué)計(jì)算，得出第三個(gè)函數(shù)（f * g）。第三個(gè)功能揭示了一個(gè)形狀如何被另一個(gè)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(gè)非常重要的概念：遮罩。

圖中的黃色的部分的就是遮罩

四、卷積層

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(gè)進(jìn)行卷積運(yùn)算的過(guò)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(gè)卷積層的輸出。

五、在Keras中構(gòu)建卷積層

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(shí)現(xiàn)說(shuō)明：

• 輸出將具有32個(gè)特征圖。
• 內(nèi)核大小將為3x3。
• 輸入形狀為32x32，帶有三個(gè)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(lái)，使用不同的參數(shù)值構(gòu)建一個(gè)卷積層，如下所示

六、池化層

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(guò)兩種方式實(shí)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(jìn)一步計(jì)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(shí)現(xiàn)Max Pool層，如下所示：

model.add（MaxPooling2D（pool_size =（2，2）））

七、全連接層

全連接層是確定最終預(yù)測(cè)的所有輸入和權(quán)重的總和，代表最后一個(gè)合并層的輸出。它將一層中的每個(gè)神經(jīng)元連接到另一層中的每個(gè)神經(jīng)元

全連接層的主要職責(zé)是進(jìn)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(jì)為1）的概率對(duì)完全連接的層進(jìn)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'))

八、Python實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)

環(huán)境Google Colab

導(dǎo)入所有必需的庫(kù)

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(gè)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(gè)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(gè)epochs

model.fit(X, y, validation_data=(X_test, y_test), epochs=25,          batch_size=512)

九、總結(jié)

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(gè)操作將圖像縮小為其基本特征，并使用這些特征適當(dāng)?shù)乩斫夂头诸悎D像

到此這篇關(guān)于Python深度學(xué)習(xí)之實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的文章就介紹到這了,更多相關(guān)Python實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！