'''隨機產生乙個輸入資料
'''# 輸入資料：(1,32,32,1)：(輸入一張圖，高度32，寬度32，通道數為1)
input_data = np.random.randn(32,32).reshape(1,32,32,1)
'''第一層卷積
'''# 卷積核，(5,5,1,8):(高度5，寬度5，通道數1，輸出卷積核個數8)
filter_ = np.random.randn(5,5,8).reshape(5,5,1,8)
# 第一層卷積,(1,1,1,1):(1,高度方向移動步長，寬度方向移動步長),'v':不會自動補零
conv = tf.nn.conv2d(input=input_data,filter=filter_,strides=[1,1,1,1],padding='valid')
# 池化,(1,2,2,1):(1,池化核高度，池化核寬度，1),(1,2,2,1):(高度方向移動步長，寬度方向移動步長),'s':自動補零
pool = tf.nn.max_pool(conv,ksize=[1,2,2,1],strides=[1,2,2,1],padding='same')
# 啟用
relu = tf.nn.relu(pool)
# dropout 保留60%連線
dropout = tf.nn.dropout(relu,keep_prob=0.6)
'''第二層卷積
'''# 卷積核
filter2 = np.random.randn(5,5,8,20)
conv2 = tf.nn.conv2d(input=dropout,filter=filter2,strides=[1,1,1,1],padding='valid')
# 池化
pool2 = tf.nn.max_pool(conv2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='same')
# 啟用
sigmod = tf.nn.sigmoid(pool2)
# dropout
dropout2 = tf.nn.dropout(pool2,keep_prob=0.5)
'''全連線層
'''# 權重
dense = np.random.randn(500,120)
fc = tf.reshape(dropout2,shape=[1,5*5*20])
# 相乘
conn = tf.matmul(fc,dense)
# 輸出層
w = np.random.randn(120,9)
b = np.random.randn(9)
out = tf.matmul(conn,w)+b
print(out)
with tf.session() as sess:
print(sess.run(out))
tensor("add:0", shape=(1, 9), dtype=float64)[[ 56292.23092699 -25663.07097064 10046.3161544 -10689.08116037
95927.7495999 31923.13009604 -29105.7761752 76256.49429168
49508.435624 ]]
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...