cha2-4-基于卷积神经网络的图像识别_第1页
cha2-4-基于卷积神经网络的图像识别_第2页
cha2-4-基于卷积神经网络的图像识别_第3页
cha2-4-基于卷积神经网络的图像识别_第4页
cha2-4-基于卷积神经网络的图像识别_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于CNN的

图像识别案例描述01任务案例分析02任务案例实施03任务学习目标学习搭建卷积神经网络使用网络完成图像分类1案例描述1案例描述学习如何搭建CNN卷积神经网络，训练cifar-10数据，识别图片中的内容。2案例分析2案例分析数据集介绍：cifar-10是由Hinton的学生AlexKrizhevsky和IlyaSutskever整理的一个用于识别普适物体的小型数据集。一共包含10个类别的RGB彩色图片：飞机（airplane）、汽车（automobile）、鸟类（bird）、猫（cat）、鹿（deer）、狗（dog）、蛙类（frog）、马（horse）、船（ship）和卡车（truck）。图片由32×32彩色图像组成，每个类有6000个图像。cifar-10数据集中共有50000个训练图像和10000个测试图像。3案例实施3案例实施1.加载数据fromtensorflow.kerasimportdatasets,layers,models(train_images,train_labels),(test_images,test_labels)=datasets.cifar10.load_data()2.搭建卷积神经网络Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。Keras同样提供了序列化方法，可以方便的帮助搭建神经网络。model=models.Sequential()model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Flatten())model.add(layers.Dense(64,activation='relu'))3案例实施pile(optimizer='adam’,

loss='sparse_categorical_crossentropy’,

metrics=['accuracy’])4.可视化训练过程为了方便查看训练过程中准确率的变化，可以借助matplotlib来可视化训练过程。3案例实施3.编译并训练此次训练过程中使用了adam优化函数——一个比较智能的优化函数方法，自适应时刻估计方法（AdaptiveMomentEstimation）。它在模型训练优化的过程中通过让每个参数获得自适应的学习率，来获得优化质量和速度的双重提升。主要包含以下几个显著的优点：1.实现简单，计算高效，对内存需求少；2.参数的更新不受梯度的伸缩变换影响；3.超参数具有很好的解释性，且通常无需调整或仅需很少的微调；4.更新的步长能够被限制在大致的范围内（初始学习率）；5.能自然地实现步长退火过程（自动调整学习率）；

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论