CNN代码

最新推荐文章于 2025-02-26 11:11:41 发布

酸柠檬水

最新推荐文章于 2025-02-26 11:11:41 发布

阅读量4.3k

点赞数 4

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/zr7116/article/details/93847263

版权

本文深入探讨了卷积神经网络（CNN）的工作原理，包括其架构、卷积层、池化层和激活函数。通过实例代码，详细解析了如何从零开始构建一个简单的CNN模型，并应用于图像分类任务。同时，讨论了优化器、损失函数的选择以及训练过程中的技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#每个批次的大小
batch_size = 100

#定义初始化权值 在卷积层中 是卷积核  在全连接层是权值 和偏置
def weight_variable(shape):
    initial=tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)

#定义初始化偏置
def bias_variable(shape):
    initial=tf.constant(0.1,shape=shape)
    return tf.Variable(initial)

#定义卷积层
def conv2d(x,W):
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#定义池化层
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#以上定义造砖完毕  开始调用 设计卷积层
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])
x_image=tf.reshape(x,[-1,28,28,1])

#第一层卷积
  #设置第一层卷积核 偏置
W_conv1=weight_variable([5,5,1,32])   #在卷积中 权重矩阵 前面是扫过的快 后面是前后的连接
b_conv1=bias_variable([32])
  #卷积 激活 池化
conv2d_1=conv2d(x_image,W_conv1)+b_conv1
h_co

最低0.47元/天解锁文章