05 TensorFlow 2.0：CNN总结及实战

本文主要是介绍05 TensorFlow 2.0：CNN总结及实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

浮云爱蹉跎 流光怕寂寞
填残篇脉络 续断章因果
问今生旅途几时交错
前尘灯火 隔世传说
                                                                                                                                《流光卷》

卷积层

发现特征轮廓，实现特征提取。数据稀疏交互，参数共享（因为样本存在局部相关的特性），参数大幅下降。为了保证输入输出shape一致，可采用padding。深层，习得更高级的特征。

激活层

卷积层发现特征之后，激活层，有种使得重要特征更突出，不重要特征为0或者更小的意思（Relu负的值=0）。还有一种解释是，非线性变换，空间维度扭曲，这样就可以在高维表征/区分数据特征。

池化层

下采样，一般2x2的过滤器maxpooling，4个点变1个，最大特征凸显，减少卷积核尺寸（长度和宽度改变了，深度没变），权重参数的数目减少到了75%。一定程度提高空间不变性，比如说平移不变性，尺度不变性，形变不变性（降采样特性），控制过拟合。

全连接层

对学习到的特征进行结果的概率映射（多分类softmax保证输出P为0~1且概率和=1）。也就是这里解释说的“分类器”作用。因全连接大幅增加了参数，目前有用其他代替全连接的策略，可搜搜。

动手搭建一个

CIFAR-100数据集CNN搭建

import tensorflow as tf
import getConfig
gConfig={}
gConfig=getConfig.get_config(config_file='config.ini')class cnnModel(object):#初始化函数，将dropout的失效概率初始化def __init__(self,rate):self.rate=ratedef createModel(self):#容器model = tf.keras.Sequential()#使用双层卷积结构的方式提取图像特征，第一层双层卷积使用使用3*3的卷积核，输出维度是64，全局使用he_normal进行kernel_initializer，激活函数使用relumodel.add(tf.keras.layers.Conv2D(64, 3, kernel_initializer='he_normal', strides=1, activation='relu', padding='same',input_shape=(32,32,3),name="conv1"))model.add(tf.keras.layers.Conv2D(64, 3, kernel_initializer='he_normal', strides=1, activation='relu', padding='same',name="conv2"))#使用tf.keras.layers.MaxPool2D搭建神经网络的池化层，使用最大值池化策略，将2*2局域的像素使用一个最大值代替，步幅为2，padding使用valid策略model.add(tf.keras.layers.MaxPool2D((2, 2), strides=2, padding='valid', name="pool1"))#叠加一层Dropout层，提高泛化性，降低神经网络的复杂度model.add(tf.keras.layers.Dropout(rate=self.rate, name="d1"))# 使用batchnormalization对上一层的输出数据进行归一化model.add(tf.keras.layers.BatchNormalization(

这篇关于05 TensorFlow 2.0：CNN总结及实战的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---