图像分类网络3——卷积网络识别手写数字（自定义训练)

最新推荐文章于 2025-10-17 10:22:43 发布

原创最新推荐文章于 2025-10-17 10:22:43 发布 · 138 阅读

2 ·

CC 4.0 BY-SA版权

图像分类网络专栏收录该内容

10 篇文章

订阅专栏

该博客介绍了一个基于TensorFlow的卷积神经网络（CNN）模型，用于图像分类任务。模型包括两个卷积层，每个卷积层后接最大池化层，最后通过全连接层进行分类。激活函数采用ReLU，输出层使用softmax进行概率预测。

在这里插入图片描述

跟图像分类2一样，就是中间的class类不一样



class CNN(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.conv1 = tf.keras.layers.Conv2D(
            filters=32,             # 卷积层神经元（卷积核）数目
            kernel_size=[5, 5],     # 感受野大小
            padding='same',         # padding策略（vaild 或 same）
            activation=tf.nn.relu   # 激活函数
        )
        self.pool1 = tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2)
        self.conv2 = tf.keras.layers.Conv2D(
            filters=64,
            kernel_size=[5, 5],
            padding='same',
            activation=tf.nn.relu
        )
        self.pool2 = tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2)
        self.flatten = tf.keras.layers.Reshape(target_shape=(7 * 7 * 64,))
        self.dense1 = tf.keras.layers.Dense(units=1024, activation=tf.nn.relu)
        self.dense2 = tf.keras.layers.Dense(units=10)

    def call(self, inputs):
        x = self.conv1(inputs)                  # [batch_size, 28, 28, 32]
        x = self.pool1(x)                       # [batch_size, 14, 14, 32]
        x = self.conv2(x)                       # [batch_size, 14, 14, 64]
        x = self.pool2(x)                       # [batch_size, 7, 7, 64]
        x = self.flatten(x)                     # [batch_size, 7 * 7 * 64]
        x = self.dense1(x)                      # [batch_size, 1024]
        x = self.dense2(x)                      # [batch_size, 10]
        output = tf.nn.softmax(x)
        return output