Python 딥 러 닝 의 권 적 신경 망 실현

1.권 적 신경 망
얀 레 쿤 과 요 슈 아 벤 지 오 는 1995 년 볼 륨 신경 망 을 도입 해 볼 륨 네트워크 나 CNN 이 라 고도 부른다.CNN 은 뚜렷 한 격자 형 토폴로지 가 있 는 데 이 터 를 처리 하 는 특수 한 다 층 신경 망 이다.그 네트워크 의 기 초 는 볼 륨 이 라 고 불 리 는 수학 연산 에 기초 하고 있다.
권 적 신경 망(CNN)의 유형
다음은 다양한 유형의 CNN 이다.

1D CNN:1D CNN 의 입 출력 데 이 터 는 2 차원 이다.1 차원 CNN 은 대부분 시간 서열 에 사용 된다.

2D CNNN:2D CNN 의 입 출력 데 이 터 는 3 차원 이다.우 리 는 보통 그것 을 이미지 데이터 문제 에 사용한다.

3D CNNN:3D CNN 의 입 출력 데 이 터 는 4 차원 이다.보통 3D 이미지 에 3D CNN,예 를 들 어 MRI(자기 공명 영상)를 사용한다.CT 스 캔(갑 CT 스 캔 또는 컴퓨터 단층 스 캔(이전 에는 컴퓨터 축방향 단층 또는 CAT 스 캔 이 라 고 함)은 의학 이미 징 기술 에 사 용 된 방사 학 으로 비 침입 적 으로 상세 하 게 기술 한 신체 의 이미지 진단 을 위 한 목적 을 얻 었 다)과 다른 복잡 한 응용 프로그램의 DICOM 이미지(의학 디지털 이미 징)

네트워크 구조
다음은 CNN 의 서로 다른 층 의 네트워크 구조 이다.

권 적 층

지 화 층

전 연결 층

CNN 구조의 완전한 개술

3.볼 륨
볼 륨 은 f 과 g 이라는 두 함수 에 대한 수학 적 계산 으로 세 번 째 함수 （f * g） 을 얻 었 다.세 번 째 기능 은 하나의 형상 이 어떻게 다른 형상 에 의 해 수정 되 는 지 를 보 여 준다.그 수학 공식 은 다음 과 같다.
h ( x , y ) = f ( x , y ) ∗ g ( x , y ) h(x,y)=f(x,y)*g(x,y) h(x,y)=f(x,y)∗g(x,y)

볼 륨 은 몇 가지 매우 중요 한 개념 이 있다.커버.

그림 속 의 노란색 부분 은 커버 입 니 다.
권 적 층
볼 륨 층 은 CNN 의 핵심 빌 드 블록 이다.CNN 은 일부 권 적 층 과 다른 일부 층 의 신경 망 을 갖 추고 있다.볼 륨 층 은 볼 륨 연산 을 하 는 몇 개의 필 터 를 가지 고 있다.볼 륨 층 은 2 차원 입력 에 사용 되 는데 뛰어난 이미지 분류 작업 성능 으로 유명 하 다.이들 은 2 차원 입력 을 가 진 작은 핵 k 의 이산 볼 륨 을 바탕 으로 이 입력 은 다른 볼 륨 층 의 출력 이 될 수 있다.

5.Keras 에 볼 륨 층 구축

from keras.models import Sequential
from keras.layers.convolutional import Conv2D
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(32, 32, 3), padding='same', activation='relu'))

위의 코드 구현 설명:

출력 은 32 개의 특징 도 를 가지 게 될 것 이다.

커 널 크기 는 3x3 입 니 다.

입력 모양 은 32x 32 이 고 세 개의 채널 이 있 습 니 다.

padding = same。같은 사이즈 의 출력 이 필요 하 다 는 뜻 이다.

지정 활성화 함 수 를 활성화 합 니 다.

그 다음 에 서로 다른 매개 변수 값 을 사용 하여 볼 륨 층 을 구축 합 니 다.다음 과 같 습 니 다.
6.연못 화 층
지 화 층 의 기능 은 매개 변수의 수량 을 줄 이 고 네트워크 의 공간 크기 를 줄 이 는 것 이다.우 리 는 두 가지 방식 을 통 해 연못 화 를 실현 할 수 있다.

Max Pooling:직사각형 인접 지역 내 최대 출력 을 표시 합 니 다.Average Pooling:직사각형 인접 지역 의 평균 출력

을 나타 낸다.

Max Pooling 과 Average Pooling 은 이미지 의 공간 크기 를 줄 이 고 더 적은 특징 과 파 라 메 터 를 제공 하여 계산 할 수 있 습 니 다.

위의 그림 은 보폭 이 2 인 2X2 필 터 를 가 진 맥 스 풀 지 화 층 을 보 여 준다.

Keras 에서 Max Pool 층 을 실현 합 니 다.다음 과 같 습 니 다.

model.add（MaxPooling2D（pool_size =（2，2）））

7.전체 연결 층
전체 연결 층 은 최종 예측 한 모든 입력 과 가중치 의 합 계 를 확정 하고 마지막 합병 층 의 출력 을 대표 합 니 다.그것 은 한 층 의 모든 신경 원 을 다른 층 의 모든 신경 원 에 연결 시 켰 다.

전 연결 층 의 주요 직책 은 분류 하 는 것 이다.이것 은 softmax 활성화 함수 와 함께 사용 하여 결 과 를 얻 을 수 있 습 니 다.
여러 종류의 활성화 함수 에 사용 되 는 softmax 함수 입 니 다.이 함 수 는 0 과 1(총 1)의 확률 로 완전히 연 결 된 층 을 규범화 합 니 다.
비 선형 함수"Softmax"를 가 진 Keras 코드 는 다음 과 같 습 니 다.

model.add(Dense(10, activation='softmax'))

8.Python 권 적 신경 망 실현
환경 Google Colab
필요 한 모든 라 이브 러 리 가 져 오기

import numpy as np
import pandas as pd
from keras.optimizers import SGD
from keras.datasets import cifar10
from keras.models import Sequential
from keras.utils import np_utils as utils
from keras.layers import Dropout, Dense, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D

cifar 10 데이터 불 러 오기:

(X, y), (X_test, y_test) = cifar10.load_data()
#      
X，X_test = X.astype（'float32'）/ 255.0，X_test.astype（'float32'）/ 255.0

분류 로 변환:

y，y_test = utils.to_categorical（y，10），u.to_categorical（y_test，10）

모델 초기 화:

model = Sequential()

다음 매개 변 수 를 사용 하여 볼 륨 층 을 추가 합 니 다:

Features map = 32

커 널 크기=3x3

입력 형태=32x 32

Channels = 3

Padding=3→입력 과 같은 사이즈 출력

model.add(Conv2D(32, (3, 3), input_shape=(32, 32, 3), padding='same', activation='relu'))
# Dropout
model.add（Dropout（0.2））
#          padding ='valid'              
model.add（Conv2D（32，（3，3），activation ='relu'，padding ='valid'））
#          
model.add（MaxPooling2D（pool_size =（2，2）））
#   
model.add（Flatten（））
# Dense        521
model.add(Dense(512, activation='relu'))
# Dropout
model.add（Dropout（0.3））
#output 
model.add(Dense(10, activation='softmax'))
#           SGD
model.compile(loss='categorical_crossentropy',             optimizer=SGD(momentum=0.5, decay=0.0004), metrics=['accuracy'])

25 개의 epochs

model.fit(X, y, validation_data=(X_test, y_test), epochs=25,          batch_size=512)

9.총화
권 적 신경 망 은 특수 한 다 층 신경 망 으로 주로 특징 을 추출 하 는 데 쓰 인 다.CNN 은 볼 륨 과 풀 링 이 라 고 불 리 는 두 동작 을 사용 하여 그림 을 기본 특징 으로 축소 하고 이러한 특징 을 사용 하여 현지 이해 와 분류 이미지 에 적합 하도록 한다.
파 이 썬 딥 러 닝 의 권 적 신경 망 실현 에 관 한 이 글 은 여기까지 소개 되 었 습 니 다.더 많은 파 이 썬 이 권 적 신경 망 을 실현 하 는 내용 은 우리 의 이전 글 을 검색 하거나 아래 의 관련 글 을 계속 찾 아 보 세 요.앞으로 많은 응원 부 탁 드 리 겠 습 니 다!