深入浅出解读卷积神经网络

]

h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)

h_pool2=max_pool_2x2(h_conv2)

w_fc1=parameters["w_fc1"]

b_fc1=parameters["b_fc1"]

h_pool2_flat=tf.reshape(h_pool2,[-1,16*16*64])

h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)

#keep_prob=tf.placeholder(tf.float32)

#h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

w_fc2=parameters["w_fc2"]

b_fc2=parameters["b_fc2"]

y_conv=tf.matmul(h_fc1,w_fc2)+b_fc2

return y_conv

第五步：成本函数

def compute_cost(y_conv,Y): 
 
    cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_conv,labels=Y)) 
    return cost

第六步：梯度降低更新参数

第七步：练习模型

 def model(X_train,Y_train,X_test,Y_test,learning_rate=0.001,num_epochs=20,minibatch_size=32,print_cost=True):    
    ops.reset_default_graph()  #(1080, 64, 64, 3) 
    tf.set_random_seed(1)      #Y_train(6, 1080) 
    seed=3 
    (m,num_px1,num_px2,c)=X_train.shape 
    n_y=Y_train.shape[0] 
    costs=[] 
    X,Y=create_placeholder(64,3,6) 
    parameters=initialize_parameters() 
     
    Z3=forward_propagation(X,parameters) 
    cost=compute_cost(Z3,Y) 
    optm=tf.train.AdamOptimizer(learning_rate).minimize(cost) 
     
    correct_prediction=tf.equal(tf.argmax(Z3,1),tf.argmax(Y,1))#居然忘记1了，所以一向出现损掉越来越小了，然则精确率却一向是0 
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) 
    with tf.Session() as sess: 
        tf.global_variables_initializer().run() 
        for epoch in range(num_epochs): 
            epoch_cost=0 
            num_minibatches=int(m/minibatch_size) 
            seed+=1 
            #下面输入请求（6，,1080）格局,所以要加个转置 	
			 4/5   首页 上一页 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　区块链分叉是怎么回事儿？终于懂了
            Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践
            
                
                    
                
                最终，只有一条链会被保存下>>>详细阅读


本文标题：深入浅出解读卷积神经网络
地址：http://www.17bianji.com/lsqh/39218.html
 1/2    1