商务网站建设与推广实训意义,天津网站建设哪家做得好,网络工程专业就业前景,注册完域名 如何做网站简介
LeNet是CNN结构的开山鼻祖#xff0c;第一次定义了卷积神经网络的结构。
LeNet模型包含了多个卷积层和池化层#xff0c;以及最后的全连接层用于分类。其中#xff0c;每个卷积层都包含了一个卷积操作和一个非线性激活函数#xff0c;用于提取输入图像的特征。池化层…简介
LeNet是CNN结构的开山鼻祖第一次定义了卷积神经网络的结构。
LeNet模型包含了多个卷积层和池化层以及最后的全连接层用于分类。其中每个卷积层都包含了一个卷积操作和一个非线性激活函数用于提取输入图像的特征。池化层则用于缩小特征图的尺寸减少模型参数和计算量。全连接层则将特征向量映射到类别概率上。 特点
LeNet 的特点如下所示
1定义了卷积神经网络Convolutional Neural Network, CNN的基本框架卷积层池化层Pooling Layer全连接层
2定义了卷积层Convolution Layer与全连接层相比卷积层的不同之处有两点局部连接引进“感受野”这一概念、权值共享减少参数数量卷积计算公式 3利用池化层进行下采样Downsampooling从而减少计算量池化计算公式 4用tanh作为非线性激活函数现在看到的都是改进过的LeNet了用ReLu代替 tanh。相较于sigmoidtanh以原点对称zero-centered收敛速度会快。
python实例
import tensorflow as tfdef lenet_model():inputs tf.placeholder(tf.float32, shape[None, 28, 28, 1])conv1 tf.layers.conv2d(inputsinputs, filters6, kernel_size(5, 5), strides(1, 1), paddingvalid, activationtf.nn.relu)pool1 tf.layers.max_pooling2d(conv1, (2, 2), strides(2, 2))conv2 tf.layers.conv2d(inputspool1, filters16, kernel_size(5, 5), strides(1, 1), paddingvalid, activationtf.nn.relu)pool2 tf.layers.max_pooling2d(conv2, (2, 2), strides(2, 2))flatten tf.layers.flatten(pool2)dense1 tf.layers.dense(flatten, 120, activationtf.nn.relu)dense2 tf.layers.dense(dense1, 84, activationtf.nn.relu)logits tf.layers.dense(dense2, 10)return inputs, logits
