简单的卷积神经网络

最新推荐文章于 2025-09-13 11:20:01 发布

原创

最新推荐文章于 2025-09-13 11:20:01 发布 · 1.7k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #神经网络

本文介绍了卷积神经网络的基本结构，包括卷积层、池化层、激活层和全连接层。讨论了卷积核大小和数量以及全连接层激活函数选择的影响。实验表明，卷积核数量增加能提升准确率，但会降低计算速度。常见的激活函数配置是卷积层使用ReLU，全连接层使用linear，输出层使用softmax。

一、建立一个简单的卷积神经网络
如上图所示，一个简单的卷积神经网络由卷积层，池化层，激活层，全连接层组成。设计一个好的卷积神经网络不是简单的事情，包括卷积核大小的选择，比如1，3，5，7等几个常用的大小，还有卷积核的个数的选择，比如1，2，4，16，32等等，还有就是全连接层的激活函数的选择等。下面我们就来简单看看卷积核个数和激活函数的选择。
二、卷积核个数的选择
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import matplotlib.pyplot as plt
import csv

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


def weight(shape):
    init = tf.random_normal(shape=shape, stddev=0.1)
    return tf.Variable(init)


def baise(shape):
    init = tf.random_normal(shape=shape, stddev=0.00001)
    return tf.Variable(init)


def conv(x, w, k, b):
    return tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w, strides=[1, k, k, 1], padding="VALID"), b))


def max_pool