摘要：
Tensorflow2（预课程） 5.3.2、手写数字识别-层方式-卷积神经网络-LeNet-5稍改 一、总结 一句话总结： 对LeNet稍微改变，改变激活函数为Relu，加上dropout层，50epoch测试集准确率有99.4+，多训练，准确率会更高 # 用到卷积神经网络的时候，需要把训练和测试 阅读全文
posted @ 2020-09-18 20:27
范仁义
阅读(473)
评论(0)
推荐(0)
摘要：
Tensorflow2（预课程） 5.3、手写数字识别-层方式-卷积神经网络-LeNet 一、总结 一句话总结： LeNet本来就是做手写识别的，所以用来做手写数字识别，测试集准确率有99.25 # 用到卷积神经网络的时候，需要把训练和测试的x的颜色通道数指出来 train_x = tf.resha 阅读全文
posted @ 2020-09-18 20:19
范仁义
阅读(411)
评论(0)
推荐(0)
摘要：
LeNet-5详解 一、总结 一句话总结： (①)、LeNet是卷积神经网络的祖师爷LeCun在1998年提出，用于解决手写数字识别的视觉任务。自那时起，CNN的最基本的架构就定下来了：卷积层、池化层、全连接层。 (②)、LeNet-5跟现有的conv->pool->ReLU的套路不同，它使用的方式 阅读全文
posted @ 2020-09-18 19:15
范仁义
阅读(933)
评论(0)
推荐(0)
摘要：
卷积神经网络-LeNet 一、总结 一句话总结： (1)、LeNet-5的结构是卷积层、降采样层、卷积层、降采样层、全连接层。 (2)、对应的结构就是卷积层、池化层、卷积层、池化层、全连接层。 1、LeNet-5的前四层详细结构分析？ 第一层（卷积convolutions）：从32*32到6@28* 阅读全文
posted @ 2020-09-18 06:14
范仁义
阅读(465)
评论(0)
推荐(0)
摘要：
LeNet结构详细分析 一、总结 一句话总结： 第一层（卷积）：从32*32到6@28*28的卷积，需要的可以是6个5*5的卷积核，步长是1，1+32-5=28 第二层（下采样）：从6@28*28到6@14*14的Subsampling（下采样、池化），需要的是2*2的池化核，步长是2 第三层（卷积 阅读全文
posted @ 2020-09-18 05:44
范仁义
阅读(653)
评论(0)
推荐(0)
摘要：
降采样层和池化层的关系 一、总结 一句话总结： 池化层可以理解为下采样层（降采样层），就是一个东西，两个名字而已。 1、池化层作用？ ①、降维，减少网络要学习的参数数量。 ②、防止过拟合。 ③、可以扩大感知野。 ④、可以实现不变性:平移不变性,旋转不变性,尺度不变性。 二、下采样层和池化层的关系及其 阅读全文
posted @ 2020-09-18 05:21
范仁义
阅读(1214)
评论(0)
推荐(0)
摘要：
Tensorflow2（预课程） 7.3、cifar10分类-层方式-卷积神经网络-简化LeNet 一、总结 一句话总结： 全连接层前面是两个卷积层，第一个是6@5*5，第二个是16@5*5，激活函数是sigmoid，没有批标准化，没有dropout # 构建容器 model = tf.keras. 阅读全文
posted @ 2020-09-18 01:55
范仁义
阅读(289)
评论(0)
推荐(0)
浙公网安备 33010602011771号