【DL笔记】卷积神经网络简介

墨蓝 2022-06-13 03:45 211阅读 0赞

## 1.前言 ##

这篇文章是我通过学习黄文坚、唐源所著的《TensorFlow实战》之后的简单总结，通过这本书使我对深度学习更加了解，现整理出一些部分分享给大家，错误之处可以在评论区指出，以便我加以改正，谢谢！

## 2.卷积神经网络简介 ##

卷积神经网络的概念最早起源于科学家提出感受野（Receptive Field），即每个动物的神经元只会处理一小块区域的视觉图像，相当于CNN中卷积核的处理过程。后来又提出了神经认知机的概念，神经认知机包含两类神经元，一类是用来提取特征的S-cell，对应于现在的CNN中卷积核的滤波操作；一类是用来抗变得C-cell，对应于现在的CNN中激励函数、池化等操作。

一般的CNN由多个卷积层构成，每层卷积层会进行一下几个操作：

1）图像通过不同的卷积核滤波，加偏置bias，提取局部特征

2）滤波输出结果进行激活函数处理，常用ReLU函数

3）激活函数输出进行池化操作，一般有两种：最大池化和平均池化

除此以外还可以加上LRN（局部响应归一化）等操作。

由于卷积神经网络的全连接过程中会出现大量的权值参数，在卷积神经网络中必须减少训练的权重数量，目的：1.降低计算复杂度。2.过多的连接会导致过拟合，减少连接数有利于提高模型的泛化能力。紧跟着全连接后面的dropout操作，就是为了防止过拟合，使得部分神经元不被激活函数激活，从而减少连接。

## 3.流行的几种CNN结构 ##

这篇文章中只是把这几种网络结构展示出来，会在后续博文中详细介绍每一个结构以及其TensorFlow实现。

### [LeNet][] ###

![Center][]

### AlexNet ###

![Center 1][]

### VGG ###

![Center 2][]

### GoogLeNet ###

![Center 3][]

### ResNet ###

![Center 4][]

## 4.基本卷积神经网络的TensorFlow实现 ##

下面以mnist数据集为例，自己设计神经网络进行图片分类。网络结构包括三层卷积层（Conv）和两个全连接层，代码如下：

import相关库：

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

确定训练集和测试集：

mnist = input_data.read_data_sets("MNIST_data/",one_hot = True)
    trX,trY,teX,teY = mnist.train.images,mnist.train.labels,mnist.test.images,mnist.test.labels
    
    trX = trX.reshape(-1,28,28,1)
    teX = teX.reshape(-1,28,28,1)
    
    X = tf.placeholder("float",[None,28,28,1])
    Y = tf.placeholder("float",[None,10])

初始化权重函数：

def init_weights(shape):
    	return tf.Variable(tf.random_normal(shape,stddev=0.1))
    
    w = init_weights([3,3,1,32])
    w2 = init_weights([3,3,32,64])
    w3 = init_weights([3,3,64,128])
    w4 = init_weights([128*4*4,625])
    w_o = init_weights([625,10])

定义网络结构：

def model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden):
    	l1a = tf.nn.relu(tf.nn.conv2d(X,w,strides = [1,1,1,1],padding = "SAME"))
    	l1 = tf.nn.max_pool(l1a,ksize = [1,2,2,1],strides = [1,2,2,1],padding = "SAME")
    	l1 = tf.nn.dropout(l1,p_keep_conv)
    
    	l2a = tf.nn.relu(tf.nn.conv2d(l1,w2,strides = [1,1,1,1],padding = "SAME"))
    	l2 = tf.nn.max_pool(l2a,ksize = [1,2,2,1],strides = [1,2,2,1],padding = "SAME")
    	l2 = tf.nn.dropout(l2,p_keep_conv)
    
    	l3a = tf.nn.relu(tf.nn.conv2d(l2,w3,strides = [1,1,1,1],padding = "SAME"))
    	l3 = tf.nn.max_pool(l3a,ksize = [1,2,2,1],strides = [1,2,2,1],padding = "SAME")
    	l3 = tf.reshape(l3,[-1,w4.get_shape().as_list()[0]])
    	l3 = tf.nn.dropout(l3,p_keep_conv)
    
    	l4 = tf.nn.relu(tf.matmul(l3,w4))
    	l4 = tf.nn.dropout(l4,p_keep_hidden)
    
    	#output layer
    	pyx = tf.matmul(l4,w_o)
    	return pyx
    
    p_keep_conv = tf.placeholder("float")
    p_keep_hidden = tf.placeholder("float")
    py_x = model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden)
    
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = py_x,labels = Y))
    train_op = tf.train.RMSPropOptimizer(0.001,0.9).minimize(cost)
    predict_op = tf.argmax(py_x,1)

设置session并run：

batch_size = 128
    test_size = 256
    with tf.Session() as sess:
    	tf.global_variables_initializer().run()
    
    	for i in range(1000):
    		training_batch = zip(range(0,len(trX),batch_size),
    					 range(batch_size,len(trX)+1,batch_size))
    		for start,end in training_batch:
    			sess.run(train_op,feed_dict = {X:trX[start:end],Y:trY[start:end],
    							p_keep_conv:0.8,p_keep_hidden:0.5})
    
    		test_indices = np.arange(len(teX))
    		np.random.shuffle(test_indices)
    		test_indices = test_indices[0:test_size]
    		print(i,np.mean(np.argmax(teY[test_indices],axis = 1) == 
    						sess.run(predict_op,feed_dict = {X:teX[test_indices],
    							p_keep_conv:1.0,
    							p_keep_hidden:1.0})))

注：系统环境：Mac os

Python3.6

TensorFlow1.1.0

[LeNet]: http://blog.csdn.net/roguesir/article/details/73770448
[Center]: /images/20220613/b1f79185a4af4d408dbd886a34051c88.png
[Center 1]: /images/20220613/7b1cdce5eb9048bf946454a6fec9466d.png
[Center 2]: /images/20220613/43a80669c08549279f9ec2c743c73a7b.png
[Center 3]: /images/20220613/7e68ecc33bfe4bdca30e5dabddf91fff.png
[Center 4]: /images/20220613/0de974fb2494401ebdbfed03e591b079.png