卷积神经网络其他层

alltolove

        卷积神经网络中除了卷积层，还有好几个其他的层，分别叫做归一化层，激励函数层，池化层和全连接层。如果是之前已经归一化好的数据不用归一化层也行。
        数据归一化就不多说了，之前在普通机器学习里说过。激励函数就是把数据输入进一个函数，输出的数据就缩短了数据的量程，让数据非线性化，也有点像归一化，具体原理是统计学里的非常复杂，就不说了。激励函数种类很多，比如sigmoid，relu，tanh，elu，maxout等，各有优缺点。
        池化层非常简单，就是把矩阵分成几等份，然后算出每份的最大值，再组合成一个矩阵，矩阵的规模比以前会大大降低，又叫做下采样。代码为：

1. import numpy as np
   
2. from sklearn.datasets import load_sample_images
   
3. import tensorflow as tf
   
4. import matplotlib.pyplot as plt
   
5. #读取样本
   
6. dataset=np.array(load_sample_images().images,dtype=np.float32)
   
7. batch_size,height,width,channels=dataset.shape
   
8. X=tf.placeholder(tf.float32,shape=(None,height,width,channels))
   
9. max_pool=tf.nn.max_pool(X,ksize=[1,2,2,1],strides=[1,2,2,1],padding="VALID")
   
10. 
    
11. with tf.Session() as sess:
    
12.     output=sess.run(max_pool,feed_dict={X:dataset})
    
13. plt.imshow(output[0].astype(np.uint8))
    
14. plt.show()

复制代码

        全连接层是把所有数据展开归一为一行，做个矩阵乘法取想要的维度，比如1*3的矩阵乘以3*1的矩阵就变成了1*1的矩阵也就是一个数。
        做完全连接我们还要用softmax（就是多分类的逻辑回归算法）计算出概率值，方便我们评价这个图片，好依据这个概率值我们判断图片是什么类别。（一般全连接就是最后一层了，softmax这个不叫层，只叫算法）。这样整个卷积神经网络就完成了。接下来训练就跟普通神经网络一样。