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)

  • 更新显卡驱动有什么好处和坏处(更新显卡驱动有什么用)(更新显卡驱动有什么副作用)

    更新显卡驱动有什么好处和坏处(更新显卡驱动有什么用)(更新显卡驱动有什么副作用)

  • 荣耀60能用鸿蒙系统吗(荣耀60能用鸿蒙操作系统吗)

    荣耀60能用鸿蒙系统吗(荣耀60能用鸿蒙操作系统吗)

  • 腾讯会议怎么看自己开没开麦(腾讯会议怎么看参会时长)

    腾讯会议怎么看自己开没开麦(腾讯会议怎么看参会时长)

  • 订阅扣费怎么申请退款(订阅扣费怎么申请退款待处理)

    订阅扣费怎么申请退款(订阅扣费怎么申请退款待处理)

  • iphonex手机屏黑白了怎么调回彩色屏(iphone x 黑屏)

    iphonex手机屏黑白了怎么调回彩色屏(iphone x 黑屏)

  • 手机爱奇艺vip会员 怎么在电视上用(手机爱奇艺vip会员 可以在奇异果上面登陆吗)

    手机爱奇艺vip会员 怎么在电视上用(手机爱奇艺vip会员 可以在奇异果上面登陆吗)

  • 打印耗材是做什么的(打印耗材好做吗)

    打印耗材是做什么的(打印耗材好做吗)

  • 云技术为什么叫云(云技术原来是什么意思)

    云技术为什么叫云(云技术原来是什么意思)

  • 华为青春版有哪几款(华为青春版有哪几款手机)

    华为青春版有哪几款(华为青春版有哪几款手机)

  • 微信头像旁边那个圈是什么意思(微信头像旁边那个是男的是不是女都是男的基本上)

    微信头像旁边那个圈是什么意思(微信头像旁边那个是男的是不是女都是男的基本上)

  • 蓝牙耳机一个亮一个不亮(蓝牙耳机一个亮灯一个不亮灯是怎么回事)

    蓝牙耳机一个亮一个不亮(蓝牙耳机一个亮灯一个不亮灯是怎么回事)

  • 快手美妆特效怎么开的(快手美颜特效)

    快手美妆特效怎么开的(快手美颜特效)

  • 小米手环为什么连接不上手机(小米手环为什么微信信息来没有提示)

    小米手环为什么连接不上手机(小米手环为什么微信信息来没有提示)

  • 如何取消芒果手机绑定(芒果手机怎么取消自动续费)

    如何取消芒果手机绑定(芒果手机怎么取消自动续费)

  • 微信收不了钱怎么办(微信收不了钱怎么回事,显示账户异常)

    微信收不了钱怎么办(微信收不了钱怎么回事,显示账户异常)

  • 手机为什么下载不了抖音(手机为什么下载不了应用宝)

    手机为什么下载不了抖音(手机为什么下载不了应用宝)

  • 5g手机上市4g手机还能用吗(5g 手机 上市)

    5g手机上市4g手机还能用吗(5g 手机 上市)

  • 手机里的nfc在哪里(手机里的NFC在哪里打开)

    手机里的nfc在哪里(手机里的NFC在哪里打开)

  • 两年前的微信聊天记录能恢复吗(两年前的微信聊天记录还能找回来吗)

    两年前的微信聊天记录能恢复吗(两年前的微信聊天记录还能找回来吗)

  • 华为p30怎样截图(华为p30怎么截图屏幕)

    华为p30怎样截图(华为p30怎么截图屏幕)

  • Win10回滚累积更新KB5005101修复应用启动问题(win10回滚系统)

    Win10回滚累积更新KB5005101修复应用启动问题(win10回滚系统)

  • 如何修改纳税申报密码
  • 我国的税种有哪些种类
  • 差旅费津贴需要缴纳个人所得税吗?
  • 装卸搬运服务属于什么税目
  • 非房产企业出售不动产需要缴纳增值税吗
  • 快递费专票可以报销吗
  • 附加免税额是什么
  • 技术服务费怎么开票税率
  • 房地产开发企业预收款预缴增值税
  • 汇票贴现的账务处理
  • 会计录入凭证怎么录入
  • 销售旧房不能取得评估价格
  • 收到供应商违约金 发票
  • 建筑业发票可以在备注里加备注么
  • 合并报表编织原则
  • 增值税 代销
  • 个体工商户开票金额超过核定了咋办
  • 合伙企业投资需要缴纳印花税吗
  • 销售款的印花税是按含税还是不含税价款申报?
  • 红字发票打印乱码怎么办
  • 营改增后房产税计税依据及计算方式
  • 小规模纳税人出租不动产税率是5%还是3%
  • 金税三期能查几年前的发票
  • 更正申报增值税会产生滞纳金吗
  • 如何查发票真伪发票查询
  • 当期可抵扣进项税额包括进项转出额吗
  • 带息票据贴现金额怎么算
  • 实木地板增值税怎么算
  • 主营业务成本会计科目使用说明
  • 企业购买的土地计入无形资产
  • 1697509479
  • 公司买别人汇票有风险吗
  • 发票金额小于之前的金额
  • 申请出具商标注意事项
  • Linux中RedHat CentOS Ubuntu Fedora的区别详解
  • php使用pdo连接数据库
  • 文件夹正在使用,操作无法完成
  • 筹建期的银行利息收入分录
  • 查补税款有未缴纳怎么办
  • 单位撤销现金余额的规定
  • 银行存款的明细科目怎么写
  • 库存现金清查主要包括哪些内容
  • 委托代建的法律规定
  • vue页面路由传参
  • laravel创建model
  • 选择器优先级
  • apk文件包下载
  • 本年利润借方红字代表什么意思
  • 增值税专票和普票的区别图片
  • 交通运输增值税专票
  • python字典操作 遍历
  • 织梦使用教程
  • 差旅费报销注意哪些问题
  • shell取命令执行结果
  • 医院能开增值发票吗
  • 非营利组织也被称为?
  • 出口货物用途
  • 企业职工福利费使用范围和标准
  • 让渡资产使用权收入属于收入吗
  • 公司注销退回投资款如何账务处理
  • 税后净利润弥补亏损分lu1
  • 结转已售材料成本6000元
  • windows帮助文件是什么
  • 服务器控制电脑
  • solaris安装教程
  • winctlad.exe - winctlad是什么进程
  • ati2mdxx.exe是什么进程 ati2mdxx进程信息查询
  • win7怎么升级到win10系统软件还在吗
  • 如何让win8系统变快
  • cocos2djs
  • es6字符串模版
  • cocos2dx 2.2.2
  • 修改windows server2012服务器密码
  • 实现原生的ajax
  • python该怎么用
  • node的express干什么用
  • 国家税务江苏税务总局官网
  • 视频号带货个人和个体工商户的区别
  • 城市垃圾处理费会计分录
  • 京牌车船税网上可以交吗
  • 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