Tensorflow2.0学习笔记（二）北大曹健老师教学视频第五讲

返回目录
理论部分主要写点以前看吴恩达视频没有的或者不太熟悉的了。

5.1卷积计算过程

实际项目中的照片多是高分辨率彩色图，但待优化的参数过多容易导致模型过拟合，实际应用时，会先对原始图像进行特征提取，再把提取到的特征送给全连接网络。
卷积计算可认为是一种有效提取图像特征的方法。

5.2感受野

感受野(Receptive Field) : 卷积神经网络各输出特征图中的每个像素点，在原始输入图片上映射区域的大小。就是说，对于5 * 5 的原始图片，用一个过滤器为3 * 3的进行卷积得到3 * 3 的输出为他的感受野；或者使用过滤器为 5 * 5 的只输出一个，也是他的感受野；
对于过滤器大小的选取，要考虑道计算量和参数量：

5.3全零填充

不多说，就是padding；

5.4TF描述卷积计算层

#5.4 TF描述卷积层
tf.keras.layers.Conv2D(filters=卷积核个数,kernel_size=卷积核尺寸,#正方形写核长整数,或(核高h，核宽w)strides=滑动步长,#横纵向相同写步长整数，或(纵向步长h，横向步长w)padding="same" or "valid",# 使用全零填充时same，不使用时valid(默认）activation="relu" or "sigmoid" or "tanh" or "softmax"so on, # 如有BN此处不写input_shape = (高，宽，通道数) #输入特征图维度，可省略
)

5.5批标准化

神经网络对0附近的数值很敏感，但是随着网络层数的增加，特征数据会出现偏离0均值的情况。标准化会使数据符合0均值，1标准差的分布，批标准化看图
这个不是太懂，没学过欸以前。。。

BN层在卷积层之后，激活层之前

#5.5批标准化tf.keras.layers.BatchNormalization()#使用方法：
model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(filters=6,kernel_size=(5,5),padding='same'), # 卷积层tf.keras.layers.BatchNormalization(),# BN层tf.keras.layers.Activation('relu') # 激活层#其他层
])

5.6池化

#5.6池化
tf.keras.layers.MaxPool2D() # 最大池化
tf.keras.layers.AveragePooling2D() # 平均池化
'''
tf.keras.layers.MaxPool2D(pool_size = 池化核尺寸, #正方形写核长整数,或(核高h，核宽w)strides = 池化步长,#横纵向相同写步长整数，或(纵向步长h，横向步长w)padding = 'valid' or 'same' #使用全零填充时same，不使用时valid(默认）)tf.keras.layers.AveragePooling2D() # 参数与他相同 '''#使用方法：
#使用方法：
model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(filters=6,kernel_size=(5,5),padding='same'), # 卷积层tf.keras.layers.BatchNormalization(),# BN层tf.keras.layers.Activation('relu') # 激活层tf.keras.layers.MaxPool2D(pool_size=(2,2),strides=2,padding='same'),#其他层
])

5.7舍弃

就是那个随机失活的操作，Dropout的操作

#5.7拾弃
# 就是那个随机失活的操作，Dropout的操作
tf.keras.layers.Dropout(0.2)  # dropout层  里面参数是舍弃的比例
# 使用方法：
model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(filters=6, kernel_size=(5, 5), padding='same'),  # 卷积层tf.keras.layers.BatchNormalization(),  # BN层tf.keras.layers.Activation('relu')  # 激活层tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same'),tf.keras.layers.Dropout(0.2) # dropout层  里面参数是舍弃的比例# 其他层
])

5.8卷积神经网络

这个视频教程真的太棒了！六个小时一共，还干货满满

5.9CIFAR10数据集

5.10卷积网络搭建示例

5.11LeNet

5.12AlexNet

5.13VGGNet

5.14InceptionNet

每俩个inception组成一个block

5.15ResNet

解决了网络层数的增加，错误率增加的一些问题
每调用一次右边的类，生成一个小黄色块

5.16经典卷积网络小结

总结

第六讲我就没看了，根据老师的这个总结，可以先练习，先背会鸢尾花和手写的这俩经典，然后根据本页的图多写写网络，按理说这么练习，练几天就可以真的是简简单单的入门了，看程序头不懵了吧。。。。。。。。这个教程真棒！
2020年7月7日

返回目录