网站的开发方法,php网站商城源码,dw制作网页的步骤,网站错误代码 处理AlexNet是2012年由亚历克斯克里斯托夫#xff08;Alex Krizhevsky#xff09;等人提出的一种卷积神经网络结构#xff0c;它在ImageNet图像识别比赛中获得了第一名#xff0c;标志着卷积神经网络的崛起。
AlexNet的结构包括8层网络#xff0c;其中前5层为卷积层#xff…
AlexNet是2012年由亚历克斯·克里斯托夫Alex Krizhevsky等人提出的一种卷积神经网络结构它在ImageNet图像识别比赛中获得了第一名标志着卷积神经网络的崛起。
AlexNet的结构包括8层网络其中前5层为卷积层后3层为全连接层。AlexNet的主要特点是使用了ReLU作为激活函数采用dropout技术避免过拟合问题使用了最大池化层来降低训练参数数量采用了LRN局部响应归一化来增强泛化能力还采用了数据增强的方法来扩充训练集。
具体来说AlexNet的结构如下
|层|类型|卷积核大小|步长|输出大小| |---|---|---|---|---| |1|卷积层|11x11x3|4|55x55x96| |2|最大池化层|3x3|2|27x27x96| |3|卷积层|5x5x96|1|27x27x256| |4|最大池化层|3x3|2|13x13x256| |5|卷积层|3x3x256|1|13x13x384| |6|卷积层|3x3x384|1|13x13x384| |7|卷积层|3x3x384|1|13x13x256| |8|最大池化层|3x3|2|6x6x256| |9|全连接层|4096|1|1x1x4096| |10|全连接层|4096|1|1x1x4096| |11|全连接层|1000|1|1x1x1000|
其中第1层卷积层的输入为224x224x3的图片卷积核大小为11x11步长为4共96个卷积核得到的输出大小为55x55x96。第2层为最大池化层池化核大小为3x3步长为2输出大小为27x27x96。第3层为卷积层卷积核大小为5x5x96步长为1共256个卷积核得到的输出大小为27x27x256。第4层为最大池化层池化核大小为3x3步长为2输出大小为13x13x256。第5、6、7层为卷积层卷积核大小分别为3x3x256、3x3x384、3x3x384共384个卷积核256个卷积核256个卷积核得到的输出大小分别为13x13x384、13x13x384、13x13x256。第8层为最大池化层池化核大小为3x3步长为2输出大小为6x6x256。最后3层为全连接层第9、10层的输出大小都为1x1x4096第11层的输出大小为1x1x1000预测图片的类别。
AlexNet的创新之处在于使用ReLU激活函数来替代传统的sigmoid激活函数ReLU的计算速度更快同时解决了梯度消失的问题使网络的训练更加稳定和有效。此外AlexNet也是第一个使用dropout来避免过拟合问题的神经网络。数据增强的方法也使训练集得到了扩充提高了网络的鲁棒性。AlexNet的成功奠定了深度学习在计算机视觉领域的地位为后续的神经网络研究提供了启示。 import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import os# 设置数据目录
train_dir ./garbage_classification/train
valid_dir ./garbage_classification/test# 数据预处理
train_datagen tf.keras.preprocessing.image.ImageDataGenerator(rescale1./255, # 缩放像素值到0-1之间rotation_range40, # 随机旋转width_shift_range0.2, # 随机水平平移height_shift_range0.2, # 随机竖直平移shear_range0.2, # 随机剪切zoom_range0.2, # 随机缩放horizontal_flipTrue, # 水平翻转fill_modenearest) # 填充方式valid_datagen tf.keras.preprocessing.image.ImageDataGenerator(rescale1./255)# 加载训练集和验证集
train_generator train_datagen.flow_from_directory(train_dir,target_size(227, 227), # AlexNet输入大小batch_size32,class_modecategorical)valid_generator valid_datagen.flow_from_directory(valid_dir,target_size(227, 227),batch_size32,class_modecategorical)# 构建AlexNet模型
model models.Sequential()
model.add(layers.Conv2D(96, (11, 11), strides(4, 4), activationrelu, input_shape(227, 227, 3)))
model.add(layers.MaxPooling2D(pool_size(3, 3), strides(2, 2)))
model.add(layers.Conv2D(256, (5, 5), strides(1, 1), activationrelu, paddingsame))
model.add(layers.MaxPooling2D(pool_size(3, 3), strides(2, 2)))
model.add(layers.Conv2D(384, (3, 3), strides(1, 1), activationrelu, paddingsame))
model.add(layers.Conv2D(384, (3, 3), strides(1, 1), activationrelu, paddingsame))
model.add(layers.Conv2D(256, (3, 3), strides(1, 1), activationrelu, paddingsame))
model.add(layers.MaxPooling2D(pool_size(3, 3), strides(2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(4096, activationrelu))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(4096, activationrelu))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(6, activationsoftmax)) # 6种垃圾分类# 打印模型摘要
model.summary()# 配置模型训练过程
model.compile(losscategorical_crossentropy,optimizertf.keras.optimizers.Adam(learning_rate1e-4),metrics[acc])# 训练模型
history model.fit(train_generator,steps_per_epoch100,epochs30,validation_datavalid_generator,validation_steps50)# 保存模型和权重
model.save(garbage_classification.h5)
model.save_weights(garbage_classification_weights.h5)
