Tabla de contenido
2.2.4 Capa de transformación no lineal (función de activación)
2.2.6 Capa completamente conectada
1 API funcional
2 Red neuronal convolucional
Este artículo se centrará en el uso de redes neuronales convolucionales (CNN) en keras para procesar imágenes.
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,
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 .
2.2 Arquitectura CNN
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