18、卷积神经网络：从MNIST数字识别到现实世界问题解决

vim8coder

于 2025-09-13 11:50:30 发布

阅读量24

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习实战精讲文章标签：卷积神经网络 CNN MNIST

本文链接：https://blog.youkuaiyun.com/vim8coder/article/details/152630559

深度学习实战精讲专栏收录该内容

42 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

卷积神经网络：从MNIST数字识别到现实世界问题解决

1. 卷积神经网络基础与MNIST数字识别

在卷积神经网络（CNN）中，全连接层的单元及其对应的输入和输出连接通常会被丢弃。因此，在对测试数据集进行预测时，不同的滤波器 - 内核权重不需要任何调整。

我们先来看如何使用CNN对MNIST数据集进行数字识别。CNN接收高度为28、宽度为28、深度为3（对应RGB通道）的图像。这些图像会经过两次卷积、ReLU激活和最大池化操作，然后进入全连接层，最后到达输出层。第一个卷积层产生64个特征图，第二个卷积层提供128个特征图，全连接层有1024个单元。最大池化层将特征图大小缩小为原来的四分之一。

以下是使用TensorFlow实现的详细代码：

# Load the packages
import tensorflow as tf
print('tensorflow version', tf.__version__)
import numpy as np
from sklearn import datasets
from tensorflow.keras import Model, layers
import matplotlib.pyplot as plt
%matplotlib inline
import time

# Function to Read the MNIST dataset along with the labels
def read_infile():
    (train_X, train_Y), (test_X, test_Y) = tf.keras.datasets.mnist.