神经网络学习之路：3-ZF-Net

最新推荐文章于 2024-04-01 17:12:47 发布

原创

最新推荐文章于 2024-04-01 17:12:47 发布 · 3.3k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络

本文介绍了ZF-Net，一个基于AlexNet改进的卷积神经网络，通过调整卷积核大小和网络参数提高了在ImageNet上的表现。源码和数据集提供，详细讲解了网络结构变化以及在64x64x3数据集上的训练和测试过程，包括数据预处理、模型构建、训练超参数设置等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ZF-Net卷积神经网络的理解并对手势数据集识别

论文：《Visualizing and Understanding Convolutional Networks 》
链接：https://arxiv.org/abs/1311.2901
ZF-Net 最大的贡献在于通过可视化技术揭示了神经网络到底在干什么。
网络结构还是AlexNet，通过可视化后，发现AlexNet中卷积核大小以及步幅stride的设置不合理，因此通过改变卷积核大小以及网络各层网络的参数，使其结果更加优秀。
AlexNet网络结构
源码：https://github.com/DoubleYuanL/ZF-Net.git
附带数据集
一：简单介绍一下ZF-Net中各层参数的设置和AlexNet哪里不同
第一点：将AlexNet卷积层_1中卷积核大小[11×11]stride = 4 变为[7x7]stride = 2
第二点：将第3,4,5,层卷基层中的通道数由384,384,256,变为512,1024,512
通过改变网络层中参数，在ImageNet top 5上的错误率由16.4%降到了 11.7%
本文依然使用64x64x3的数据集进行处理，因此参数我在AlexNet基础上减少了参数大小，以求符合这个小型数据集
二：详细代码操作过程
分为训练和测试两个步骤
1：训练
1.1：加载数据集
将h5文件类型的图片转化为numpy类型，进行处理

#加载数据集
def load_dataset():
	X_train_orig , Y_train_orig , X_test_orig , Y_test_orig , classes = cnn_utils.load_dataset()
	return X_train_orig , Y_train_orig , X_test_orig , Y_test_orig

1.2：初始化数据集
将输入书进行归一化处理以及label标签进行one-hot处理

#初始化数据集
def init_dataset(X_train_orig , Y_train_orig , X_test_orig , Y_test_orig ):
	X_train = X_train_orig/255.
	X_test = X_test_orig/255.
	Y_train = cnn_utils.convert_to_one_hot(Y_train_orig, 6).T
	Y_test = cnn_utils.convert_to_one_hot(Y_test_orig, 6).T
	print ("number of training examples = " + str(X_train.shape[0]))
	print ("number of test examples = " + str(X_test.shape[0])) 
	print ("X_train shape: " + str(X_train.shape)) 
	print ("Y_train shape: " + str(Y_train.shape))
	print ("X_test shape: " + str(X_test.shape))
	print ("Y_test shape: " + str(Y_test.shape))
	return X_train, Y_train, X_test, Y_test

1.3：创建占位符

#创建占位符
def create_placeholder(n_H0, n_W0, n_C0, n_y):
	X = tf.placeholder(tf.float32, [None, n_H0, n_W0, n_C0], name = "X")
	Y = tf.placeholder(tf.float32, [None,n_y], name = "Y")
	keep_prob = tf.