手写数字识别：CNN-AlexNet

作业要求：
手写体数字识别
数据集：MNIST
数据集下载网址：http://yann.lecun.com/exdb/mnist/
参考网址： https://zhuanlan.zhihu.com/p/101262336
https://blog.csdn.net/panrenlong/article/details/81736754
深度神经网络方法（任选）：CNN、RNN、GNN、LSTM、MM、GCN……
典型结构（任选）：AlexNet、VGG、GoogleNet……
目标：只有一个，让网络跑起来
数据理解与获取：
MNIST数据集是由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。
获取方法一：
官方网站下载：http://yann.lecun.com/exdb/mnist/
一共4个文件，训练集、训练集标签、测试集、测试集标签

获取方法二：
使用TensorFlow中input_data.py脚本来读取数据及标签，使用这种方式时，可以不用事先下载好数据集，会自动下载并存放到指定的位置。
实现思路
使用tensorflow编写卷积神经网络（CNN）代码进行MNIST数据集的手写数字识别，整体采用Alexnet网络架构搭建神经网络，由于MNIST影像大小为28 x 28，所以网络结构做了相应调整，从而适应数据。MNIST训练集数据用于模型训练，计算训练集准确率，训练好模型将其保存在model文件夹，使用MNIST测试集进行模型测试，计算测试集准确率，总体测试准确率在96%以上。
网络架构介绍——AlexNet
Alexnet架构本质上与Lenet架构相同，Alexnet将CNN卷积神经网络的基本原理应用到更深，更宽的网络中。
对比Lenet架构：
① 更大的池化窗口，使用最大池化层
② 更大的卷积核窗口和步长
③ 新加了三层卷积层，更多的输出通道
Alexnet架构主要使用到的新技术如下：
（1）使用ReLu作为CNN的激活函数，标准的CNN模型采用tanh或sigmoid激活函数，但是在进行梯度下降时，神经元梯度会趋于饱和，参数更新速度慢，在进行梯度下降计算时，Relu函数的训练速度更快，错误率更低。
（2）训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合，以0.5的概率对每个隐层神经元的输出设为0，那些“失活的”的神经元不再进行前向传播并且不参与反向传播。dropout在前两个全连接层中使用，非常有效避免了过拟合。
（3）在CNN中采用重叠的最大池化，此前CNN中普遍使用平均池化，Alexnet网络架构全部采用最大池化，避免平均池化的模糊化效果。并且Alexnet中提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。
（4）提出了LRU层，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。
AlexNet网络架构示意图：

AlexNet网络架构各层处理细节示意图：

Alexnet网络架构层级处理流程图：
运行结果截图
测试集测试结果，输出测试准确率，整体在96%以上：
核心代码和说明
（1）定义的超参数

（2）模型结构
 input-输入数据：MNIST
数据集被分为两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test），每张图片是28281，输入数字是1784的数据，经过reshape后，维度格式为[28,28,1]
 第1层卷积,卷积大小变化为2828—>2828
 池化大小变化为2828—>1414
 归一化大小变化为 1414—>1414
 第2层卷积,卷积大小变化为1414—>1414
 池化大小变化为1414—>77
 归一化大小变化为 77—>77
 第3层卷积,卷积大小变化为 77—> 77
 第4层卷积,卷积大小变化为 77—> 77
 第5层卷积,卷积大小变化为 77—> 77
 池化大小变为 77—>44
 归一化大小为77—>77
 第1层全连接层 ‘wd1’: shape为44*256
 dropout丢弃层
 第2层全连接层
 dropout丢弃层
 output输出层

# 数据获取与各参数定义与设置
# 获取mnist数据集，进行one-hot编码，其为一位有效编码
mnist = input_data.read_data_sets("mnist_sets", one_hot=True)
print("数据下载完成！")
# 设置网络超参数
# 学习率
learning_rate = 0.0001
# 迭代次数，每个样本迭代20次
epochs = 20
# 每进行一次迭代选择128个样本
batch_size = 128
# 模型训练的步数
display_step = 10
# 设置网络参数，图片大小为28*28像素，即784，输入维度
n_input = 784
# 类别有0-9十种，输出维度
n_classes = 10
# 神经元丢弃概率，以0.5的概率对每个隐层神经元的输出设为0
dropout = 0.5# 占位符，用placeholder先占地方，样本个数不确定为None
x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])weights = {# wc1 卷积核11*11*1*96，输入为28*28*1，所以in_channel=1,96代表卷积核个数，表示有96个11*11*1的卷积核，96即产生特征图的个数'wc1': weight_var('wc1', [11, 11, 1, 96]),# wc2 卷积核5*5*96*256，输入为14*14*96，所以in_channel=96,256代表卷积核个数，表示有256个14*14*96的卷积核，256即产生特征图的个数'wc2': weight_var('wc2', [5, 5, 96, 256]),# wc3 卷积核3*3*256*384， 输入为7*7*256，所以in_channels=256,384代表卷积核个数，表示有384个7*7*256的卷积核,384即产生特征图的个数'wc3': weight_var('wc3', [3, 3, 256, 384]),# wc4 卷积核3*3*384*384， 输入为4*4*384，所以in_channels=384,384代表卷积核个数，表示有384个3*3*384的卷积核，384即产生特征图的个数'wc4': weight_var('wc4', [3, 3, 384, 384]),# wc5 卷积核3*3*384*256， 输入为4*4*384，所以in_channels=384,256代表卷积核个数，表示有256个3*3*384的卷积核，256即产生特征图的个数'wc5': weight_var('wc5', [3, 3, 384, 256]),# wd1 2*2*256*4096， 输入为2*2*256，所以将其展平则为1*(2*2*256),4096表示全连接层神经元的个数'wd1': weight_var('wd1', [4 * 4 * 256, 4096]),# wd2 4096*4096， 输入为[2*2*256,4096]，4096表示有4096个神经元'wd2': weight_var('wd2', [4096, 4096]),# out 4096,10， 输入为[4096,4096]，10表示有10类—> 0-9'out_w': weight_var('out_w', [4096, 10])
}
# 设置偏移量
biases = {# 卷积层'bc1': bias_var('bc1', [96]),'bc2': bias_var('bc2', [256]),'bc3': bias_var('bc3', [384]),'bc4': bias_var('bc4', [384]),'bc5': bias_var('bc5', [256]),# 全连接层'bd1': bias_var('bd1', [4096]),'bd2': bias_var('bd2', [4096]),# 输出层'out_b': bias_var('out_b', [n_classes])
}# 定义卷积，池化，归一化，参数设置操作
# 定义卷积过程，参数为：名字，输入，卷积核，偏移量，步长
# padding=‘SAME’表示在做卷积前需要对输入图像进行0填充使卷积后的图像与输入图像有相同的维度
# x为一个四维的张量，四个维度分别表示一批训练的图片数量，图片高度和宽度及图片的通道数
def conv2d(name, x, W, b, strides=1, padding='SAME'):# strides = [1, strides, strides, 1]表示每个维度做卷积的步幅x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding=padding)x = tf.nn.bias_add(x, b)# Alexnet架构使用relu作为激活函数return tf.nn.relu(x, name=name)# 定义池化过程 3*3
def maxpool2d(name, x, k=3, s=2, padding='SAME'):return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, s, s, 1], padding=padding, name=name)# 局部响应归一化LRU，使得其中响应比较大的值相对更大，并抑制其他反馈较小的神经单元，提高模型泛化能力
def norm(name, l_input, lsize=5):return tf.nn.lrn(l_input, lsize, bias=1.0, alpha=0.0001, beta=0.75, name=name)# 设置网络参数，卷积核参数与偏移量
def weight_var(name, shape):return tf.get_variable(name=name, shape=shape, initializer=tf.contrib.layers.xavier_initializer())def bias_var(name, shape):return tf.get_variable(name=name, shape=shape, initializer=tf.constant_initializer(0))# 构建神经网络结构，定义Alexnet网络结构
def alexnet(x, weights, biases, dropout):# 输入数字是1*784的数据，将其reshape成28*28的影像x = tf.reshape(x, shape=[-1, 28, 28, 1])# 1 conv 第1层卷积，卷积大小变化为28*28->28*28conv1 = conv2d('conv1', x, weights['wc1'], biases['bc1'], padding='SAME')# 池化大小变化为28*28->14*14pool1 = maxpool2d('pool1', conv1, k=3, s=2, padding='SAME')# 归一化大小变化为 14*14->14*14norm1 = norm('norm1', pool1, lsize=5)# 2 conv 第2层卷积，卷积大小变化为14*14->14*14conv2 = conv2d('conv2', norm1, weights['wc2'], biases['bc2'], padding='SAME')# 池化大小变化为14*14->7*7pool2 = maxpool2d('pool2', conv2, k=3, s=2, padding='SAME')# 归一化大小变化为 7*7->7*7norm2 = norm('norm2', pool2, lsize=5)# 3 conv 第3层卷积，卷积大小变化为 7*7—> 7*7conv3 = conv2d('conv3', norm2, weights['wc3'], biases['bc3'], padding='SAME')# 4 conv 第4层卷积，卷积大小变化为 7*7—> 7*7conv4 = conv2d('conv4', conv3, weights['wc4'], biases['bc4'], padding='SAME')# 5 conv 第5层卷积，卷积大小变化为 7*7—> 7*7conv5 = conv2d('conv5', conv4, weights['wc5'], biases['bc5'], padding='SAME')# 池化大小变为 7*7->4*4pool5 = maxpool2d('pool5', conv5, k=3, s=2, padding='SAME')# 归一化大小为7*7->7*7norm5 = norm('norm5', pool5, lsize=5)# 1 fc 第1层全连接层 'wd1': 形状大小为4*4*256fc1 = tf.reshape(norm5, [-1, weights['wd1'].get_shape().as_list()[0]])fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])fc1 = tf.nn.relu(fc1)# dropout丢弃层fc1 = tf.nn.dropout(fc1, dropout)# 2 fc 第2全连接层# fc2=tf.reshape(fc1,[-1,weights['wd2'].get_shape().as_list()[0]])fc2 = tf.add(tf.matmul(fc1, weights['wd2']), biases['bd2'])fc2 = tf.nn.relu(fc2)# dropout丢弃层fc2 = tf.nn.dropout(fc2, dropout)# output输出层out = tf.add(tf.matmul(fc2, weights['out_w']), biases['out_b'])return out# 定义模型，损失函数和优化器
# 前向传播的预测值
pred = alexnet(x, weights, biases, dropout)
# 交叉熵损失函数，参数分别为预测值pred和实际label值y，reduce_mean为求平均loss
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
# 梯度下降优化器
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
# tf.equal()对比预测值的索引和实际label的索引是否一样，一样返回True，不一样返回False
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
# 将pred即True或False转换为1或0,并对所有的判断结果求均值
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))# 训练和评估模型，获得训练集的训练结果与测试集的测试准确率
# 初始化变量
init = tf.global_variables_initializer()
# 定义一个Session
with tf.Session() as sess:# 在sess里run一下初始化操作sess.run(init)step = 1# epoch 逐代循环for epoch in range(epochs + 1):# 迭代for _ in range(mnist.train.num_examples // batch_size):step += 1# get x,y  逐个batch的去取数据batch_x, batch_y = mnist.train.next_batch(batch_size)# 获取批数据sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})# 展示损失和精确度  每display_step显示一次if step % display_step == 0:# 计算损失值和精确度，并输出loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x, y: batch_y})print("Epoch " + str(epoch) + ", Minibatch Loss=" + \"{:.6f}".format(loss) + ", Training Accuracy= " + \"{:.5f}".format(acc))print("Optimizer Finished!")# 存储训练好的模型saver.save(sess, model + "/model.ckpt", global_step=epoch)# 测试准确率并对应输出for _ in range(mnist.test.num_examples // batch_size):batch_x, batch_y = mnist.test.next_batch(batch_size)print("Testing Accuracy:", sess.run(accuracy, feed_dict={x: batch_x, y: batch_y}))

完整代码

# 导入tensorflow包
import tensorflow as tf
import os
# 导入数据
from tensorflow.examples.tutorials.mnist import input_data
# 获取mnist数据集，进行one-hot编码，其为一位有效编码
mnist = input_data.read_data_sets("mnist_sets", one_hot=True)
print("数据下载完成！")
# 设置网络超参数
# 学习率
learning_rate = 0.0001
# 迭代次数，每个样本迭代20次
epochs = 20
# 每进行一次迭代选择128个样本
batch_size = 128
# 模型训练的步数
display_step = 10
# 设置网络参数，图片大小为28*28像素，即784，输入维度
n_input = 784
# 类别有0-9十种，输出维度
n_classes = 10
# 神经元丢弃概率，以0.5的概率对每个隐层神经元的输出设为0
dropout = 0.5# 占位符，用placeholder先占地方，样本个数不确定为None
x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])# 定义卷积，池化，归一化，参数设置操作
# 定义卷积过程，参数为：名字，输入，卷积核，偏移量，步长
# padding=‘SAME’表示在做卷积前需要对输入图像进行0填充使卷积后的图像与输入图像有相同的维度
# x为一个四维的张量，四个维度分别表示一批训练的图片数量，图片高度和宽度及图片的通道数
def conv2d(name, x, W, b, strides=1, padding='SAME'):# strides = [1, strides, strides, 1]表示每个维度做卷积的步幅x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding=padding)x = tf.nn.bias_add(x, b)# Alexnet架构使用relu作为激活函数return tf.nn.relu(x, name=name)# 定义池化过程 3*3
def maxpool2d(name, x, k=3, s=2, padding='SAME'):return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, s, s, 1], padding=padding, name=name)# 局部响应归一化LRU，使得其中响应比较大的值相对更大，并抑制其他反馈较小的神经单元，提高模型泛化能力
def norm(name, l_input, lsize=5):return tf.nn.lrn(l_input, lsize, bias=1.0, alpha=0.0001, beta=0.75, name=name)# 设置网络参数，卷积核参数与偏移量
def weight_var(name, shape):return tf.get_variable(name=name, shape=shape, initializer=tf.contrib.layers.xavier_initializer())def bias_var(name, shape):return tf.get_variable(name=name, shape=shape, initializer=tf.constant_initializer(0))weights = {# wc1 卷积核11*11*1*96，输入为28*28*1，所以in_channel=1,96代表卷积核个数，表示有96个11*11*1的卷积核，96即产生特征图的个数'wc1': weight_var('wc1', [11, 11, 1, 96]),# wc2 卷积核5*5*96*256，输入为14*14*96，所以in_channel=96,256代表卷积核个数，表示有256个14*14*96的卷积核，256即产生特征图的个数'wc2': weight_var('wc2', [5, 5, 96, 256]),# wc3 卷积核3*3*256*384， 输入为7*7*256，所以in_channels=256,384代表卷积核个数，表示有384个7*7*256的卷积核,384即产生特征图的个数'wc3': weight_var('wc3', [3, 3, 256, 384]),# wc4 卷积核3*3*384*384， 输入为4*4*384，所以in_channels=384,384代表卷积核个数，表示有384个3*3*384的卷积核，384即产生特征图的个数'wc4': weight_var('wc4', [3, 3, 384, 384]),# wc5 卷积核3*3*384*256， 输入为4*4*384，所以in_channels=384,256代表卷积核个数，表示有256个3*3*384的卷积核，256即产生特征图的个数'wc5': weight_var('wc5', [3, 3, 384, 256]),# wd1 2*2*256*4096， 输入为2*2*256，所以将其展平则为1*(2*2*256),4096表示全连接层神经元的个数'wd1': weight_var('wd1', [4 * 4 * 256, 4096]),# wd2 4096*4096， 输入为[2*2*256,4096]，4096表示有4096个神经元'wd2': weight_var('wd2', [4096, 4096]),# out 4096,10， 输入为[4096,4096]，10表示有10类————> 0-9'out_w': weight_var('out_w', [4096, 10])
}
# 设置偏移量
biases = {# 卷积层'bc1': bias_var('bc1', [96]),'bc2': bias_var('bc2', [256]),'bc3': bias_var('bc3', [384]),'bc4': bias_var('bc4', [384]),'bc5': bias_var('bc5', [256]),# 全连接层'bd1': bias_var('bd1', [4096]),'bd2': bias_var('bd2', [4096]),# 输出层'out_b': bias_var('out_b', [n_classes])
}# 构建神经网络结构，定义Alexnet网络结构
def alexnet(x, weights, biases, dropout):# 输入数字是1*784的数据，将其reshape成28*28的影像x = tf.reshape(x, shape=[-1, 28, 28, 1])# 1 conv 第1层卷积# 卷积大小变化为28*28->28*28conv1 = conv2d('conv1', x, weights['wc1'], biases['bc1'], padding='SAME')# 池化大小变化为28*28->14*14pool1 = maxpool2d('pool1', conv1, k=3, s=2, padding='SAME')# 归一化大小变化为 14*14->14*14norm1 = norm('norm1', pool1, lsize=5)# 2 conv 第2层卷积# 卷积大小变化为14*14->14*14conv2 = conv2d('conv2', norm1, weights['wc2'], biases['bc2'], padding='SAME')# 池化大小变化为14*14->7*7pool2 = maxpool2d('pool2', conv2, k=3, s=2, padding='SAME')# 归一化大小变化为 7*7->7*7norm2 = norm('norm2', pool2, lsize=5)# 3 conv 第3层卷积# 卷积大小变化为 7*7—> 7*7conv3 = conv2d('conv3', norm2, weights['wc3'], biases['bc3'], padding='SAME')# 4 conv 第4层卷积# 卷积大小变化为 7*7—> 7*7conv4 = conv2d('conv4', conv3, weights['wc4'], biases['bc4'], padding='SAME')# 5 conv 第5层卷积# 卷积大小变化为 7*7—> 7*7conv5 = conv2d('conv5', conv4, weights['wc5'], biases['bc5'], padding='SAME')# 池化大小变为 7*7->4*4pool5 = maxpool2d('pool5', conv5, k=3, s=2, padding='SAME')# 归一化大小为7*7->7*7norm5 = norm('norm5', pool5, lsize=5)# 1 fc 第1层全连接层 'wd1': shape为4*4*256fc1 = tf.reshape(norm5, [-1, weights['wd1'].get_shape().as_list()[0]])fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])fc1 = tf.nn.relu(fc1)# dropout丢弃层fc1 = tf.nn.dropout(fc1, dropout)# 2 fc 第2全连接层# fc2=tf.reshape(fc1,[-1,weights['wd2'].get_shape().as_list()[0]])fc2 = tf.add(tf.matmul(fc1, weights['wd2']), biases['bd2'])fc2 = tf.nn.relu(fc2)# dropout丢弃层fc2 = tf.nn.dropout(fc2, dropout)# output输出层out = tf.add(tf.matmul(fc2, weights['out_w']), biases['out_b'])return out# 定义模型，损失函数和优化器
# 前向传播的预测值
pred = alexnet(x, weights, biases, dropout)
# # 交叉熵损失函数，参数分别为预测值pred和实际label值y，reduce_mean为求平均loss
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
# 梯度下降优化器
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
# tf.equal()对比预测值的索引和实际label的索引是否一样，一样返回True，不一样返回False
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
# 将pred即True或False转换为1或0,并对所有的判断结果求均值
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))# 定义一个saver,用于存储训练好的模型
saver = tf.train.Saver()
# 定义存储路径
model = "./model"
if not os.path.exists(model):os.makedirs(model)# 训练和评估模型，获得训练集的训练结果与测试集的测试准确率
# 初始化变量
init = tf.global_variables_initializer()
# 定义一个Session
with tf.Session() as sess:# 在sess里run一下初始化操作sess.run(init)step = 1# epoch 逐代循环for epoch in range(epochs + 1):# 迭代for _ in range(mnist.train.num_examples // batch_size):step += 1# get x,y  逐个batch的去取数据batch_x, batch_y = mnist.train.next_batch(batch_size)# 获取批数据sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})# 展示损失和精确度  每display_step显示一次if step % display_step == 0:# 计算损失值和精确度，并输出loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x, y: batch_y})print("Epoch " + str(epoch) + ", Minibatch Loss=" + \"{:.6f}".format(loss) + ", Training Accuracy= " + \"{:.5f}".format(acc))print("Optimizer Finished!")# 存储训练好的模型saver.save(sess, model + "/model.ckpt", global_step=epoch)# 测试准确率for _ in range(mnist.test.num_examples // batch_size):batch_x, batch_y = mnist.test.next_batch(batch_size)print("Testing Accuracy:", sess.run(accuracy, feed_dict={x: batch_x, y: batch_y}))

手写数字识别：CNN-AlexNet相关推荐

TensorFlow 2.0 mnist手写数字识别(CNN卷积神经网络)
TensorFlow 2.0 (五) - mnist手写数字识别(CNN卷积神经网络) 源代码/数据集已上传到 Github - tensorflow-tutorial-samples 大白话讲解卷积 ...
深度学习案例之基于 CNN 的 MNIST 手写数字识别
一.模型结构本文只涉及利用Tensorflow实现CNN的手写数字识别,CNN的内容请参考:卷积神经网络(CNN) MNIST数据集的格式与数据预处理代码input_data.py的讲解请参考 :T ...
Kaggle入门预测赛，手写数字识别Digit Recognizer，使用Kaggle kernel作答，F=0.98
1.问题和描述直接在kaggle左边的competition竞赛中搜索Digit Recognizer即可进入赛题页面: https://www.kaggle.com/c/digit-recogni ...
基于CNN的MINIST手写数字识别项目代码以及原理详解
文章目录项目简介项目下载地址项目开发软件环境项目开发硬件环境前言一.数据加载的作用二.Pytorch进行数据加载所需工具 2.1 Dataset 2.2 Dataloader 2.3 T ...
深蓝学院第三章：基于卷积神经网络(CNN)的手写数字识别实践
参看之前篇章的用全连接神经网络去做手写识别:https://blog.csdn.net/m0_37957160/article/details/114105389?spm=1001.2014.3001 ...
卷积神经网络（cnn）手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念. a. 卷积关于卷积的概念和细节可以参考这里12,卷积运算有两个非常重要特 ...
MATLAB可视化实战系列（四十）-基于MATLAB 自带手写数字集的CNN（LeNet5）手写数字识别-图像处理（附源代码）
一.前言利用MATLAB实践MNIST手写数字识别,下载手写数据集的准备工作有些麻烦. 以下是我为大家准备的几个精品专栏,喜欢的小伙伴可自行订阅,你的支持就是我不断更新的动力哟! MATLAB-30 ...
卷积神经网络CNN 手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念. a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性, ...
DL之CNN：利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别、模型评估(99.4%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别.模型评估(99.4%) 目录输出结果设计思路核心代码输出结果设计思路核心代码 netwo ...
DL之CNN：利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别并预测(超过99%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别并预测(超过99%) 目录输出结果设计思路核心代码输出结果准确度都在99%以上 1.出错记录 ...

手写数字识别：CNN-AlexNet

手写数字识别：CNN-AlexNet相关推荐

最新文章

热门文章