簡單例子
先說模型搭建,後面發布模型訓練,最後模型**(分類)
in_channel:輸入彩色為3
out_channel:卷積核個數(一般與層數相同)
kernel_size:卷積核大小
stride=1
padding=0
self.conv1 = nn.conv2d(3, 6, 5)
16個卷積核,大小尺寸為:5×5
s:1卷積後輸出矩陣大小:n=28,依然是16個卷積核
池化層只改變高和寬(縮小為原來一半14),不改變深度(16)。
此時深度為:16
使用32個卷積核,尺寸為5×5
進行計算:
w(輸入大小):14
f(卷積核大小):5
卷積後的矩陣尺寸大小:n=10,output(32,10,10)
同樣操作:矩陣大小(10)進行縮小一半(5),不改變深度(32)
output(32,5,5)
linear(32 * 5 * 5, 120)
對特徵矩陣(32,5,5)進行展平操作為一維向量:
第乙個全連線層輸入個數:3255,節點個數設為120
linear(120, 84)
第乙個節點數120,所以第二個的輸入為120,設輸出節點個數為84
linear(84, 10)
最後乙個,輸入84,輸出十種,設為10.
神經網路模型
神經網路往往不需要人為的構造資料特徵,因為乙個神經元就可以看做是原始資料的不同特徵的組合,在神經元數目足夠大,層數足夠多的情況下,是很容易準確的進行分類的.神經網路是由具有適應性的簡單單元組成的廣泛並行互連的網路,它的組織能夠模擬生物神經系統對真實世界物體所做出的互動反應 神經元模型 m p神經元模...
搭建神經網路
1.import 2.train,test 3.model tf.keras.model.sequential 在sequential中描述網路結構,相當於走一遍前向傳播 4.model.compile 在compile中配置訓練方法,選擇哪個優化器,選擇什麼損失函式,選擇什麼評價指標 5.mode...
搭建淺層神經網路模型步驟總結
1.構建資料集 2.初始化4個變數 確定樣本個數 輸入層神經元的個數 樣本的特徵個數 隱藏層神經元的個數 輸出層神經元的個數3.網路引數w和b的初始化其中,神經網路的層數 除輸入層 決定初始化引數w和b的對數。此處以2層為例 各引數的shape總結如下 注意 初始化賦值時,b 一般全部初始化為 0 ...