CNN神經網絡

1 CNN主要用於計算機視覺方面，也就是圖像處理。以前的神經網絡在這些方面也表現不錯,爲啥還要出現CNN?傳統的神經網絡採用的的輸入層、隱藏層、輸出層也基本是是用的全鏈接，這樣就形成參數太多，訓練時間長，結果就就形成經濟上的不划算，爲了追求更高的利益，就有人想用更短的時間獲得相同的效果。

2 但是爲啥CNN就能解決上面的參數過多的問題呢？我想舉個成語來講明這個問題，有個成語叫作「一葉知秋」，也就經過一片樹葉就能知道是秋天。或許這個也不太形象。在咱們生活中，咱們想要辨別一我的是是誰，咱們不須要看到這我的的總體，咱們就看到這我的的臉，咱們就能判斷這我的是誰。這個在CNN中就叫作局部感知。但是咱們人能判斷一我的是誰，那是由於咱們記住了這我的的臉部特徵，那麼機器怎麼判斷呢？機器就要學習到這個臉部特徵，這個特徵如何學到呢？就是經過卷積核學到的。可是同一我的在照片的不一樣位置仍是這我的，那麼咱們想一想，若是咱們要表示這我的，那麼這我的的卷積核的參數應該是同樣的吧。猜想是這樣，事實就是這樣的。利用這個特性，CNN採用了權重共享的方式，也得以往的神網絡的參數大幅度減小，在時間上有有了較大的飛躍，

從第2條的舉例中，咱們能夠得出CNN的幾大特徵： 1 具備經過圖形的局部就能判斷該圖形是啥 2 對於同一東西，能夠用同一個卷積核表示，也就不在意該東西在圖形的哪一個位置 3 權重共享使得參數大幅度的下降

3 CNN的組成 1 卷積層（主要是卷積核）抽取特徵 2 池化層（取個名字叫池化核，可是操做可跟卷積核不同）保留住主要的特徵，丟棄次要的特徵，也就利用局部感知的特色 3 激活層 就是爲了保證數據不給程序形成溢出（只是一個優勢），還有爲了方便程序的出處理，

4 會遇到的問題

1 卷積核是怎麼獲得的呢？ 其實問題也很簡單，也困惑了我好久。卷積核是經過學習獲得的。如何初始化看下面這篇博客 https://blog.csdn.net/m0_37780420/article/details/80365993

2 每層卷積核的數目不一樣，卷積後的層是否是卷積核數量的乘積呢？ 不是的，假設第一層的卷積核爲6個，圖像爲2828，第一層卷積後爲62828（注意這裏使用的padding="same",若是不是，則不同的），第三層的卷積核爲8個，那麼卷積後的依然是862828，只是深度不同。

5 用一句來來講：CNN就是神經網絡的全鏈接裏面有不少權重爲0，不少神經元共用相同的的權重。

6 下面是使用keras對CNN進行舉例

注意：我是把數據集下載到本地了

import numpy as np

from keras import Sequential

from keras.datasets import mnist

from keras.utils import np_utils

from keras.layers import Dense,Activation,Convolution2D,MaxPool2D,Flatten

def load_data(path):

path =path

f = np.load(path)

x_train, y_train = f['x_train'], f['y_train']

x_test, y_test = f['x_test'], f['y_test']

f.close()

return (x_train, y_train), (x_test, y_test)

(x_train,y_train),(x_test,y_test)=load_data(path="d:/test/mnist.npz")

#-1指的是不知道有多少個圖片，1,指的是通道，28,28，長寬 #對數據進行預處理

x_train=x_train.reshape(-1,1,28,28)

x_test=x_test.reshape(-1,1,28,28)

y_train=np_utils.to_categorical(y_train,num_classes=10)

y_test=np_utils.to_categorical(y_test,num_classes=10)

#創建model

model = Sequential()

#建立一個卷積層輸出32,28,28

model.add(Convolution2D(

#有多少個卷積核

filters=32,

kernel_size=(5,5),

input_shape=(1,28,28),padding="same")

) model.add(Activation("relu"))

#池化層，輸出32,14,14

model.add(MaxPool2D(

pool_size=(2,2),

strides=(2,2),

padding="same"

) ) #繼續卷積,輸出64,14,14（稍微有一點小疑惑，是32層的每一層出64層仍是）

model.add(Convolution2D(filters=64,kernel_size=(5,5),padding="same"))

model.add(Activation("relu"))

#繼續池化

model.add(MaxPool2D(pool_size=(2,2),padding="same"))

#把數據抹平

model.add(Flatten())

model.add(Dense(1024))

model.add(Activation("relu"))

#輸出10個神經元

model.add(Dense(10)) model.add(Activation("softmax")) from keras.optimizers import Adam

#指定優化器

adam= Adam(lr=0.001)

model.compile(optimizer=adam,loss="categorical_crossentropy", metrics=["accuracy"])

print("train")

model.fit(x_train,y_train,epochs=1,batch_size=32)

print(model.summary())

#評價

loss ,accuary=model.evaluate(x_test,y_test)

print(loss,accuary)