位置: IT常识 - 正文

Python CNN卷积神经网络实例讲解,CNN实战,CNN代码实例,超实用(cnn卷积神经网络python代码)

编辑:rootadmin
Python CNN卷积神经网络实例讲解,CNN实战,CNN代码实例,超实用

推荐整理分享Python CNN卷积神经网络实例讲解,CNN实战,CNN代码实例,超实用(cnn卷积神经网络python代码),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:卷积神经网络pytorch代码,python卷积神经网络训练,cnn卷积神经网络python代码,python做卷积,卷积神经网络pytorch代码,卷积神经网络pytorch代码,python卷积神经网络cnn的训练算法,python cnn卷积神经网络,内容如对您有帮助,希望把文章链接给更多的朋友!

一、CNN简介

1. 神经网络基础

输入层(Input layer),众多神经元(Neuron)接受大量非线形输入讯息。输入的讯息称为输入向量。 输出层(Output layer),讯息在神经元链接中传输、分析、权衡,形成输出结果。输出的讯息称为输出向量。 隐藏层(Hidden layer),简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层,则意味着多个激活函数。

2. 卷积一下哦

卷积神经网络(Convolutional Neural Network,CNN)针对全连接网络的局限做出了修正,加入了卷积层(Convolution层)和池化层(Pooling层)。通常情况下,卷积神经网络由若干个卷积层(Convolutional Layer)、激活层(Activation Layer)、池化层(Pooling Layer)及全连接层(Fully Connected Layer)组成。

下面看怎么卷积的

1.如图,可以看到:

(1)两个神经元,即depth=2,意味着有两个滤波器。 (2)数据窗口每次移动两个步长取3*3的局部数据,即stride=2。 (3)边缘填充,zero-padding=1,主要为了防止遗漏边缘的像素信息。     然后分别以两个滤波器filter为轴滑动数组进行卷积计算,得到两组不同的结果。

2.如果初看上图,可能不一定能立马理解啥意思,但结合上文的内容后,理解这个动图已经不是很困难的事情:

(1)左边是输入(7*7*3中,7*7代表图像的像素/长宽,3代表R、G、B 三个颜色通道) (2)中间部分是两个不同的滤波器Filter w0、Filter w1 (3)最右边则是两个不同的输出 (4)随着左边数据窗口的平移滑动,滤波器Filter w0 / Filter w1对不同的局部数据进行卷积计算。

局部感知:左边数据在变化,每次滤波器都是针对某一局部的数据窗口进行卷积,这就是所谓的CNN中的局部感知机制。打个比方,滤波器就像一双眼睛,人类视角有限,一眼望去,只能看到这世界的局部。如果一眼就看到全世界,你会累死,而且一下子接受全世界所有信息,你大脑接收不过来。当然,即便是看局部,针对局部里的信息人类双眼也是有偏重、偏好的。比如看美女,对脸、胸、腿是重点关注,所以这3个输入的权重相对较大。 参数共享:数据窗口滑动,导致输入在变化,但中间滤波器Filter w0的权重(即每个神经元连接数据窗口的权重)是固定不变的,这个权重不变即所谓的CNN中的参数(权重)共享机制。

3卷积计算:

图中最左边的三个输入矩阵就是我们的相当于输入d=3时有三个通道图,每个通道图都有一个属于自己通道的卷积核,我们可以看到输出(output)的只有两个特征图意味着我们设置的输出的d=2,有几个输出通道就有几层卷积核(比如图中就有FilterW0和FilterW1),这意味着我们的卷积核数量就是输入d的个数乘以输出d的个数(图中就是2*3=6个),其中每一层通道图的计算与上文中提到的一层计算相同,再把每一个通道输出的输出再加起来就是绿色的输出数字啦! 举例:

绿色输出的第一个特征图的第一个值:

1通道x[ : :0] 1*1+1*0 = 1 (0像素点省略)

2通道x[ : :1] 1*0+1*(-1)+2*0 = -1

3通道x[ : :2] 2*0 = 0 

b = 1

输出:1+(-1)+ 0 + 1(这个是b)= 1 

绿色输出的第二个特征图的第一个值:

1通道x[ : :0] 1*0+1*0 = 0 (0像素点省略)

2通道x[ : :1] 1*0+1*(-1)+2*0 = -1

Python CNN卷积神经网络实例讲解,CNN实战,CNN代码实例,超实用(cnn卷积神经网络python代码)

3通道x[ : :2] 2*0 = 0 

b = 0

输出:0+(-1)+ 0 + 1(这个是b)= 0

二、CNN实例代码:

import torchimport torch.nn as nnfrom torch.autograd import Variableimport torch.utils.data as Dataimport torchvisionimport matplotlib.pyplot as plt

模型训练超参数设置,构建训练数据:如果你没有源数据,那么DOWNLOAD_MNIST=True

#Hyper prametersEPOCH = 2BATCH_SIZE = 50LR = 0.001DOWNLOAD_MNIST = Truetrain_data = torchvision.datasets.MNIST( root ='./mnist', train = True, download = DOWNLOAD_MNIST)

数据下载后是不可以直接看的,查看第一张图片数据:

print(train_data.data.size())print(train_data.targets.size())print(train_data.data[0])

结果:60000张图片数据,维度都是28*28,单通道

画一个图片显示出来

# 画一个图片显示出来plt.imshow(train_data.data[0].numpy(),cmap='gray')plt.title('%i'%train_data.targets[0])plt.show()

结果:

训练和测试数据准备,数据导入:

#训练和测试数据准备train_loader=Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)test_data=torchvision.datasets.MNIST( root='./mnist', train=False,)#这里只取前3千个数据吧,差不多已经够用了,然后将其归一化。with torch.no_grad(): test_x=Variable(torch.unsqueeze(test_data.data, dim=1)).type(torch.FloatTensor)[:3000]/255 test_y=test_data.targets[:3000]

注意:这里的归一化在此模型中区别不大

构建CNN模型:

'''开始建立CNN网络'''class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() ''' 一般来说,卷积网络包括以下内容: 1.卷积层 2.神经网络 3.池化层 ''' self.conv1=nn.Sequential( nn.Conv2d( #--> (1,28,28) in_channels=1, #传入的图片是几层的,灰色为1层,RGB为三层 out_channels=16, #输出的图片是几层 kernel_size=5, #代表扫描的区域点为5*5 stride=1, #就是每隔多少步跳一下 padding=2, #边框补全,其计算公式=(kernel_size-1)/2=(5-1)/2=2 ), # 2d代表二维卷积 --> (16,28,28) nn.ReLU(), #非线性激活层 nn.MaxPool2d(kernel_size=2), #设定这里的扫描区域为2*2,且取出该2*2中的最大值 --> (16,14,14) ) self.conv2=nn.Sequential( nn.Conv2d( # --> (16,14,14) in_channels=16, #这里的输入是上层的输出为16层 out_channels=32, #在这里我们需要将其输出为32层 kernel_size=5, #代表扫描的区域点为5*5 stride=1, #就是每隔多少步跳一下 padding=2, #边框补全,其计算公式=(kernel_size-1)/2=(5-1)/2= ), # --> (32,14,14) nn.ReLU(), nn.MaxPool2d(kernel_size=2), #设定这里的扫描区域为2*2,且取出该2*2中的最大值 --> (32,7,7),这里是三维数据 ) self.out=nn.Linear(32*7*7,10) #注意一下这里的数据是二维的数据 def forward(self,x): x=self.conv1(x) x=self.conv2(x) #(batch,32,7,7) #然后接下来进行一下扩展展平的操作,将三维数据转为二维的数据 x=x.view(x.size(0),-1) #(batch ,32 * 7 * 7) output=self.out(x) return output

把模型实例化打印一下:

cnn=CNN()print(cnn)

结果:

 开始训练:

# 添加优化方法optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)# 指定损失函数使用交叉信息熵loss_fn=nn.CrossEntropyLoss()'''开始训练我们的模型哦'''step=0for epoch in range(EPOCH): #加载训练数据 for step,data in enumerate(train_loader): x,y=data #分别得到训练数据的x和y的取值 b_x=Variable(x) b_y=Variable(y) output=cnn(b_x) #调用模型预测 loss=loss_fn(output,b_y)#计算损失值 optimizer.zero_grad() #每一次循环之前,将梯度清零 loss.backward() #反向传播 optimizer.step() #梯度下降 #每执行50次,输出一下当前epoch、loss、accuracy if (step%50==0): #计算一下模型预测正确率 test_output=cnn(test_x) y_pred=torch.max(test_output,1)[1].data.squeeze() accuracy=sum(y_pred==test_y).item()/test_y.size(0) print('now epoch : ', epoch, ' | loss : %.4f ' % loss.item(), ' | accuracy : ' , accuracy)'''打印十个测试集的结果'''test_output=cnn(test_x[:10])y_pred=torch.max(test_output,1)[1].data.squeeze() #选取最大可能的数值所在的位置print(y_pred.tolist(),'predecton Result')print(test_y[:10].tolist(),'Real Result')

结果:

 卷积层维度变化:

(1)输入1*28*28,即1通道,28*28维;

(2)卷积层-01:16*28*28,即16个卷积核,卷积核维度5*5,步长1,边缘填充2,维度计算公式B = (A + 2*P - K) / S + 1,即(28+2*2-5)/1 +1 = 28

(3)池化层:池化层为2*2,所以输出为16*14*14

(4)卷积层-02:32*14*14,即32卷积核,其它同卷积层-01

(5)池化层:池化层为2*2,所以输出为32*7*7;

(6)fc层:由于输出为1*10,即10个类别的概率,那么首先对最后的池化层进行压缩为二维(1,32*7*7),然后全连接层维度(32*7*7,10),最后(1,32*7*7)*(32*7*7,10)

本文链接地址:https://www.jiuchutong.com/zhishi/300094.html 转载请保留说明!

上一篇:Vue页面路由参数的传递和获取(vue 路由)

下一篇:Ai-WB2系列的固件烧录指导(ab1562a固件)

  • 进口关税的计算方式
  • 软件产品增值税超税负即征即退
  • 清算时实收资本怎么计算
  • 企业所得税计提表模板
  • 金融服务费进项可以抵扣吗
  • 公司股份无偿转让怎么办理流程
  • 股息红利是否纳入个税合并征税
  • 小规模纳税人购车好处
  • 小规模纳税人季报还是月报?
  • 保函保证金怎么审计
  • 劳务公司民工工资可以抵进项吗
  • 施工分包分为哪些
  • 贸易公司购进原材料会计分录
  • 旅行社会议主持开场
  • 坏账准备怎么冲回
  • 分期付款的车怎么做分录
  • 公司参展费取得发票怎样做账?
  • 代缴个税税务局奖励款怎么做账?
  • 以银行存款缴纳企业所得税所引起的变动为
  • 应收票据背书转让以取得所需物资
  • 计算所得税时扣除增值税附加怎么算
  • 第二季度的利润表报错了,怎么重新报
  • 支付装修押金会退吗
  • 申请开立临时存档的条件
  • 计提坏账准备的科目
  • 当月有进项税额转出怎么结转未交增值税
  • tplink无线网卡驱动802.11n
  • 上个月留抵进项税额分录
  • 收到税费返还是什么现金流量
  • 公司注销职工安置方案
  • php url编码转换
  • an exit
  • 补缴以前年度公积金误入当年费怎么办
  • 初雪与最后的秋天的区别
  • 关于灵活就业人员待遇享受政策
  • 用抵扣券买了东西可以退吗
  • php redis常用命令
  • 工程建设质保金比例
  • 归还本金和利息的分录
  • 权限管理实现的功能包括
  • linux写c++程序
  • 微信小程序开发公司
  • ipcrm命令
  • vports命令
  • mysql中regexp_substr函数的使用
  • 当月增加的房产 要交房产税吗
  • 所得税年度报表申报完怎么打印
  • db2udb
  • 合同负债算负债吗
  • 材料的采购成本包括
  • 单位给食堂的补贴怎么算
  • 已认证的招待费怎么入账
  • 销售单位收入和税收
  • 交通补贴属于工资薪金所得吗
  • 小企业会计准则适用于哪些企业
  • 向非关联企业捐赠现金能不能抵扣
  • 注册资本可以是欧元吗
  • 小规模纳税人是开专票还是普票
  • centos还原
  • Win10 Build 17035自制64位中国版十合一ISO镜像下载地址
  • system idle process是什么进程(CPU的空闲率)
  • Win10 TH2首个重要更新后应用商店依然存在问题
  • win8.1系统激活
  • win8宽带错误651最简单解决方法
  • linux在网络方面的应用
  • bat批处理视频教程
  • firefox怎样调整为中文
  • unity如何调整界面
  • node.js快速入门
  • js展示
  • linux的cp和mv
  • javascript操作文件
  • 图片处理流程
  • 浅谈如何加强基层党组织建设
  • java多线程编程实战指南
  • 医院能开增值税开发票吗
  • 地税发票查询官网查询
  • 地税发票在哪里开
  • 税务师事务所企业组织架构
  • 福建省顺昌县人口有多少
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设