complie这个简单的模型 

1. simple_model.fit（x,y,epochs=20000） 

练习20000次模型 

1. simple_model.predict（x[0:1]）  

可以猜测一下第一个输入的x的结不雅与实际的是否相符。

膳绫擎就是一个简单三层收集的keras实现，接下来我们将正式进入Convolutional Neural Network

二、开端进修CNN

三、Convolutional Neural Network

前面给大年夜家推荐了一门好课cs231n，本篇文┞仿也是按照这个思路来的。

根本构造

起首解释一下什么是卷积，这个卷积当然不是数学上的卷积，这里的卷积其实表示的是一个三维的权重，这么解释起来可能不太懂得，我们先看看卷积收集的根本构造。

练习50次，获得结不雅如下

经由过程膳绫擎的图我们清跋扈地懂得到卷积收集和一般收集构造膳绫擎的差别，也可以懂得为卷积收集是立体的，而一般的收集构造是平面的。

卷积层

懂得完了根本的构造之后，我们就要懂得cnn最重要的一个部分，也是最为立异的一个部分，卷积层。起首用一张图片来比较一下卷积收集到底立异在什么处所。

我们经由过程这个构培养可以清楚地看到卷积收集到底是怎么实现的。起首右边是传统的收集构造，在前面我们已经具体的解释过了。而左边的图片，我们起首看看图中最左边的构造，你肯定会好奇为什么是32x32x3的一块立体方块。这个32×32代表的是像素点，说白了也就是图片的大年夜小，这个大年夜小是你可以设置的，你可以设置为50×50，也可所以256×256，这都取决与图片的大年夜小，那么3表示什么呢?3其实表示的是RGB的三个通道，RGB也是什么?RGB表示red，green，blue，这三种色彩的各类组合叠加可以形成各类各样的色彩，所以任何一张照片都可以用左边这种图形来表示。

那么中心┞封个小方块又表示什么呢?这个就是我们要重点讲的卷积。所谓的卷积，就是这种小方块，我们设置一个小方块的大年夜小，然则这个小方块的厚度必须和左边的┞封个大年夜方块的厚度是一样的，大年夜方块每一个像素点由一个0到255的数字表示，如许我们就可以付与小方块权重，比如我们取小方块的大年夜小是3×3，我们请求厚度必须要和左边的大年夜方块厚度一样，那么小方块的的大年夜小就为3x3x3，我们就可以付与其3x3x3个权重，然后我们就可以开端计算卷积的结不雅，将小方块大年夜大年夜方块的左上角开端，一个卷积小方块所覆盖典范围是3x3x3，然后我们将大年夜方块中3x3x3的数字和小方块中的权重分别相乘相加，再加上一个误差，就可以获得一个卷积的结不雅，可以抽象的写成Wx+b这种情势，这就是图上所显示的结不雅，然后我们可以设置小方块的滑动距离，每次滑动就可以形成一个卷积的计算结不雅，然后将整张大年夜图片滑动覆盖之后就可以形成一层卷积的结不雅，我们看到图中的卷积结不雅是很厚的，也就是设置了很独裁卷积。总结来说，每层卷积就是一个卷积核在图片上滑动求值，然后设置多个卷积核就可以形成独裁的卷积层。

池化层

讲完卷积层，接下来就要讲一下池化层。为什么会有池化层的出现呢?是因为赓续的做卷积，获得的中心结不雅会越来越厚，卷积就相当于提取图片中的特点，所以卷积层一般会设置得越来越厚，不然你就无法早年面的结不雅来提取更多的特点。如许就会导致中心的结不雅会越来越大年夜，计算会越来越慢，所以提出了池化层。

所谓的池化层，就是将图片的大年夜小缩小的一种处理方法。我们可以先看看下面的图片。

经由过程这个图片，我们可以清跋扈地看到池化层是怎么处理的。池化层也是须要先设置一个窗口，然则这个小窗口的厚度是1，而不再是前一层输出的结不雅的厚度。然后有两种处理方法，一种是取这个小窗口琅绫擎所有元素的最大年夜值来代表这个小窗口，一种是取平均值，然后将小窗口滑动，在第二的地位再做同样的处理，上层收集输出方块的每一层做完之后就进入这个大年夜方块的下一层做同样的操作，这个处理办法就可以让全部大年夜方块的大年夜小变小，可以看看膳绫擎的图片的左边。右边是一个简单的一层厚度，取最大年夜值的例子。

　　推荐阅读

　　MySQL高可用数据库内核深度优化的四重定制

【51CTO晃荡】8.26 带你与清华大年夜学、搜狗、京东大年夜咖们一路商量基于算法的IT运维实践 一、UDB高可用数据库架构 UDB以虚拟IP、HAProxy、单节点UDB数据库搭建双节点高可用架构：>>>详细阅读

本文标题：小白学CNN以及Keras的速成

地址：http://www.17bianji.com/lsqh/36937.html

 1/2    1