Introducción a Tensorflow2.0 y notas de estudio práctico (5) api funcional y red neuronal funcional y convolucional

Tabla de contenido

1 API funcional

2 Red neuronal convolucional

2.1 Conceptos básicos de CNN

2.1.1 Flujo de trabajo

2.1.2 ¿Qué es la convolución?

2.2 Arquitectura CNN

2.2.3 Capa convolucional

2.2.4 Capa de transformación no lineal (función de activación)

2.2.5 Capa de agrupación

2.2.6 Capa completamente conectada

Estructura general

3 Combate real

3.1 Clasificación de datos:

3.2 Construir un modelo

3.3 Análisis de resultados


1 API funcional

 

2 Red neuronal convolucional

Este artículo se centrará en el uso de redes neuronales convolucionales (CNN) en keras para procesar imágenes.

De hecho, CNN se inspira en la biología de la corteza visual .
 
En pocas palabras: la corteza visual tiene una pequeña cantidad de células que son sensibles a ciertas partes del área visual.
sentido.
Por ejemplo: algunas neuronas solo se excitan en los bordes verticales y otras se excitan en los bordes horizontales o diagonales .
 

2.1 Conceptos básicos de CNN

2.1.1 Flujo de trabajo

 

Una descripción general del trabajo de CNN significa que eliges una imagen y la dejas pasar por una serie de:

  • Capa convolucional,

  • Capa no lineal
  • Capa de agrupación (submuestreo)
  • Capa completamente conectada,
Finalmente obtenga la salida.
Como se mencionó anteriormente, el resultado puede ser la probabilidad de una sola categoría o un grupo de categorías que describa mejor el contenido de la imagen.
 

2.1.2 ¿Qué es la convolución?

 

La convolución se refiere a aplicar un núcleo de convolución a todos los puntos de un determinado tensor y generar un tensor filtrado deslizando el núcleo de convolución en el tensor de entrada .

 
La convolución completa la extracción de características de la imagen o la coincidencia de información.Cuando una imagen que contiene ciertas características pasa a través de un núcleo de convolución, se estimulan algunos núcleos de convolución.
En vivo, emite una señal específica.

2.2 Arquitectura CNN

Si ninguna de estas capas , el modelo es difícil y la coincidencia de patrones compleja, porque la red tendrá demasiada información para llenar , es decir, la función de esas otras capas es resaltar información importante, reducir el ruido .
 

2.2.3 Capa convolucional

  • ksize Tamaño del kernel de convolución
  • zancadas El lapso de movimiento del núcleo de convolución
  • acolchado de borde acolchado

2.2.4 Capa de transformación no lineal (función de activación)

 

  • Relu
  • sigmiod
  • sospechoso

2.2.5 Capa de agrupación

2.2.6 Capa completamente conectada

Conectando la salida final con todas las características, tenemos que usar todas las características para tomar una decisión para la clasificación final. Finalmente coopere con softmax para la clasificación

Estructura general

 

3 Combate real

Tome la red de satélite como ejemplo

3.1 Clasificación de datos:


import pathlib # Mucho más fácil de usar que Os

3.2 Construir un modelo

3.3 Análisis de resultados

Supongo que te gusta

Origin blog.csdn.net/qq_37457202/article/details/107902173
Recomendado
Clasificación