全文引用：
卷積神經網路之keras深度學習
卷積神經網路之優缺點
優點• 共享卷積核，對高維資料處理無壓力
• 無需手動選取特徵，訓練好權重，即得特徵分類效果好
缺點• 需要調參，需要大樣本量，訓練最好要gpu
• 物理含義不明確（也就說，我們並不知道沒個卷積層到底提取到的是什麼特徵，而且神經網路本身就是一種難以解釋的「黑箱模型」）
卷積神經網路的常用框架
caffe
• 源於berkeley的主流cv工具包，支援 c++,python,matlab
• model zoo中有大量預訓練好的模型供使用
torch
• facebook用的卷積神經網路工具包
• 通過時域卷積的本地介面，使用非常直觀
• 定義新網路層簡單
tensorflow
• google的深度學習框架
• tensorboard視覺化很方便
• 資料和模型並行化好，速度快
keras的模型結構：
keras實現卷積神經網路：
# mnist資料存放的路徑
file
="mnist"
# 匯入資料
mnist = input_data.read_data_sets(
file
, one_hot=
true
)x_train = mnist.train.images
y_train = mnist.train.labels
x_test = mnist.test.images
y_test = mnist.test.labels
#定義模型網路結構
model = sequential(
)model.add(dense(units=
256,input_dim=
784,activation=
'relu'))
model.add(dropout(
0.5)
)#防止過擬合
model.add(dense(units=
128,activation=
'relu'))
model.add(dropout(
0.5)
)model.add(dense(units=
10,activation=
'softmax'))
adam = adam(lr=
0.001
)#使用adam優化器
model.
compile
(optimizer=adam,loss=
"categorical_crossentropy"
,metrics=
['accuracy'])
model.summary(
)#輸出網路結構
plot_model(model,to_file=
"mnist_model.png"
,show_shapes=
true
)#儲存網路結構到檔案
model.fit(x_train,y_train,batch_size=
50,epochs=50)
#訓練網路
loss,accuracy = model.evaluate(x_test,y_test)
#使用測試集評估效果
(loss,accuracy)
卷積神經網路結構圖：
Keras深度學習 卷積神經網路 手寫數字識別
引言 最近在閉關學習中，由於多久沒有寫部落格了，今天給大家帶來學習的一些內容，還在學習神經網路的同學，跑一跑下面的 給你一些自信吧！nice 奧里給！正文 首先該impor的庫就不多說了，不會的就pip install something that you got it 備註 mnist.npz資源...
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...