「机器学习」彻底搞懂CNN

Create 2 filters

# 一般感触感染眼大年夜小7*7,5*5,3*3，设置2个kernel，输出2层feature map

filters_test = np.zeros(shape=(7, 7, channels, 2), dtype=np.float32)

# 第一个（0）filter的设定，7*7矩阵中，3是中心

filters_test[:, 3, :, 0] = 1 # vertical line

# 第二个（1）filter的设定

filters_test[3, :, :, 1] = 1 # horizontal line

# a graph with input X plus a convolutional layer applying the 2 filters

X = tf.placeholder(tf.float32, shape=(None, height, width, channels))

# 固然输入是一个四维图像，然则因为batch_size和channel都已经固定，所以应用conv2d

# strides设定，第一个和第四个都是1表示弗成以跳过batch_size和channel

# 那两个2表示横纵向都缩减2，相当于整张图片缩减为本来四分之一，做了75%的缩减

convolution = tf.nn.conv2d(X, filters, strides=[1,2,2,1], padding="SAME")

with tf.Session() as sess:

output = sess.run(convolution, feed_dict={X: dataset})

下面是padding的值SAME和VALID的差别（filter的宽度为6，stride为5），SAME确保所有图像信息都被convolve添加zero padding，而VALID只添加包含在内的像素点

比拟于传统的全连接层，卷积层只是部分连接，节俭了很多内存。

比如：一个具有5*5大年夜小filter的卷积层，输出200张150*100大年夜小的feature maps，stride取1（即不跳跃），padding为SAME。输入是150*100大年夜小的RGB图像（channel=3），总共的参数个数是200*（5*5*3+1）=15200，个中+1是bias；如不雅输出采取32-bits float表示（np.float32），那么每张图片会占据200*150*100*32=9600000bits（11.4MB），如不雅一个training batch包含100张图片（mini-batch=100），那么这一层卷积层就会占据1GB的RAM。

可以看出，练习卷积神经收集是异常消费内存的，然则应用时，只用到最后一层的输出即可。

二、Pooling Layer池化层

1、道理和参数

当图片大年夜小很大年夜时内存消费巨大年夜，而Pooling Layer所起的感化是浓缩效不雅，缓解内存压力。

即拔取必定大年夜小区域，将该区域用一个代表元素表示。具体的Pooling有两种，取平均值（mean）和取最大年夜值（max）。如下图所示是一个取最大年夜值的pooling layer，kernel大年夜小为2*2，stride大年夜小取决于kernel大年夜小，这里是2，即刚好使得所有kernel都不重叠的值，因而实现高效的信息紧缩，将原始图像横纵紧缩一半，如右图所示，特点根本都完全保存了下来。

2、TensorFlow实现

# Create a graph with input X plus a max pooling layer 
 
X = tf.placeholder(tf.float32, shape=(None, height, width, channels)) 
 
# 选用取最大年夜值的max_pool办法 
 
# 如不雅是取平均值，这里是mean_pool 
 
# ksize就是kernel大年夜小，feature map和channel都是1,横向纵向是2 
 
max_pool = tf.nn.max_pool(X, ksize=[1,2,2,1], strides=[1,2,2,1],padding=	
			 2/3   首页 上一页 1 2 3 下一页 尾页	
			

　　推荐阅读
　　我是怎样爬下6万共享单车数据并进行分析的（附代码）
单车的应用频率越高共享的效不雅越好。大年夜摩拜单车的数据看，在流动的单车中，5次以下占据了60%阁下的出行。但1次、2次的也占据了30%阁下的份额，解释摩拜单车的应用率也不是很高。
            开辟者大年夜赛路>>>详细阅读


本文标题：「机器学习」彻底搞懂CNN
地址：http://www.17bianji.com/lsqh/39483.html
 1/2    1