這次就用Keras實現下CNN

一. 預備知識——CNN^[1]

1. 二維互相關（cross-correlation）運算：計算

， 屬于輸入數組， 屬于卷積窗口，n和m取決于窗口的大小。

• 核數組（卷積核或過濾器）的形狀決定卷積窗口的形狀。

在二維互相關運算中，卷積窗口從輸入數組的左上方開始，按從左往右、從上往下的順序，依次在輸入數組上滑動，每滑動到一個位置，計算出窗口對應位置的卷積，從而得到輸出數組。

2. 二維卷積層：在對輸入數組和窗口做二維互關運算后，加上一個偏移量得到

• 特征圖（feature map）：卷積層輸出的數組，即輸入在空間維度上某一級的表征
• 感受野（receptive field）：影響元素 的前向計算的所有可能輸入區域（可能大于輸入的實際尺寸）
• 填充（padding）：在輸入高和寬的兩側填充元素，通常設置 和 來使輸入和輸出具有相同的高和寬

是奇數，我們會在高的兩側分別填充 行； 是偶數，一種可能是在輸入的頂端一側填充 行，而在底端一側填充 行
卷積神經網絡經常使用奇數高和寬的卷積核

• 步幅（stride）：每次滑動的行數和列數

一般來說，當高上步幅為 ，寬上步幅為 時，輸出形狀為
如果設置 和 ，那么輸出形狀將簡化為
更進一步，如果輸入的高和寬能分別被高和寬上的步幅整除，那么輸出形狀將是

3. 池化層（pooling）：直接計算池化窗口內元素的最大值或者平均值，為了緩解卷積層對位置的過度敏感性

二. Keras實現CNN^[2]

class

示例代碼中的 CNN 結構圖示 - https://tf.wiki/zh_hans/basic/models.html#cnn

可以加入 Dropout 層防止過擬合

Dropout 層：在前向傳播的時候，讓某個神經元的激活值以一定的概率p停止工作^[3]

tf.keras.applications中有一些預定義好的經典卷積神經網絡結構：VGG16、VGG19、ResNet、MobileNet，可以直接調用（參數已經預定義好），也可以自定義初始化變量，常用參數：

• input_shape：輸入張量的形狀，默認 ，一般不低于 或 ；
• include_top：在網絡的最后是否包含全連接層，默認True；
• weights：預訓練權值，默認'imagenet'（當前模型載入在 ImageNet 數據集上預訓練的權值），可設為None；
• classes：分類數，默認1000，修改該參數需要include_top參數為True且weights參數為None；

如果某些層的訓練時和測試時層的行為不同，需要手動設置訓練狀態：tf.keras.backend.set_learning_phase(True)

例子：使用 MobileNetV2 網絡在 tf_flowers 五分類數據集上進行訓練：

import

參考

^卷積神經網絡?https://zh.d2l.ai/chapter_convolutional-neural-networks/index.html

^TensorFlow 模型建立與訓練 ?https://tf.wiki/zh_hans/basic/models.html#cnn

^深度學習中Dropout原理解析?https://blog.csdn.net/program_developer/article/details/80737724

總結

以上是生活随笔為你收集整理的cnn stride and padding_Tensorflow学习笔记- 模型建立与训练篇（CNN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。