14、卷積神經網絡
卷積神經網絡在處理圖像和語言方面效果顯著。目前計算機視覺的主流就是通過基於卷積神經網絡的方法進行處理。
卷積神經網絡的主要結構是卷積-池化結構,即卷積層通過卷積運算提取圖片中的特徵,池化操作整理提取的特徵。通過不斷地卷積池化操作,計算機就會提取出只有它看得懂的高級語義特徵圖。tensorflow實現如下圖,通過卷積神經網絡對mnist手寫數據集進行分類,效果還不錯,精度能達到0.93以上。
15、Save參數
tensorflow通過tf.train.saver提供了保存和載入參數的函數,將參數保存成.ckpt格式,保存參數的代碼如圖所示。
16、load參數
tensorflow通過tf.train.saver提供了保存和載入參數的函數,將參數保存成.ckpt格式,載入參數的代碼如圖所示。
17、RNN
RNN是指循環神經網絡,說實話,我沒有RNN的基礎,聽莫煩講RNN我並沒有搞明白原理,但是利用RNN進行mnist圖片分類的代碼還是寫出來了,僅供大家參考,RNN進行Mnist分類任務的精度還挺好的,達到了0.95。
18、自編碼
自編碼也是一種神經網絡的非監督學習的方式,它只需要樣本X,不需要標籤Y。因為神經元直接從獲取的高清圖像中取學習信息,會是一件很吃力的事情,所以通過特徵提取,提取出能夠重構出原圖的主要信息,把縮減後的信息放入神經網絡中進行學習,就可以更加輕鬆的學習。自編碼的主要結構是編碼器+解碼器,編碼器負責壓縮,解碼器負責解壓,如圖所示,白色X是原圖片,黑色X是解碼後的圖片,求取兩者的誤差,經過誤差反向傳遞,逐步提升自編碼準確性,中間的隱層就是能夠提取出原數據最主要特徵的神經元。tensorflow代碼如圖所示,最後還有白色X和黑色X的對比,還原效果還是挺好的。
閱讀更多 甜筒小哥 的文章