Tensorflow2.0 入门与实战学习笔记（五） 函数式api & 函数式 &卷积神经网络

目录

​​1 函数式API​​

​​2 卷积神经网络​​

​​2.1 CNN基础​​

​​2.1.1 工作流程​​

​​2.1.2 什么是卷积？​​

​​2.2 CNN 架构​​

​​2.2.3 卷积层​​

​​2.2.4 非线性变换层（激活函数）​​

​​2.2.5 池化层​​

​​2.2.6 全连接层​​

​​整体架构​​

​​3 实战​​

​​3.1 数据分类：​​

​​3.2 建立模型​​

​​3.3 结果分析​​

---

1 函数式API

2 卷积神经网络

本文将专注于在keras中使用卷积神经网络 （CNN）来处理图像。

CNN 的确是从视觉皮层的生物学上获得启发的。

  简单来说：视觉皮层有小部分细胞对特定部分的视觉区域敏 感。 例如：一些神经元只对垂直边缘兴奋，另一些对水平或对角边缘兴奋。

2.1 CNN基础

2.1.1 工作流程

CNN 工作概述指的是你挑一张图像，让它历经一系列：

• • 
    
• 卷积层、
  
• 非线性层
• 池化（下采样（downsampling））层
• 全连接层，
  • 
    

最终得到输出。 正如之前所说，输出可以是最好地描述了图像内容的一个单独分类或一组分类的概率

2.1.2 什么是卷积？

卷积是指将卷积核应用到某个张量的所有点上，通过将 卷积核在输入的张量上滑动而生成经过滤波处理的张量。

  卷积完成的是对图像特征的 提取或者说信息匹配

， 当一个包含某些特征的图像经过一个卷积核的时候，一些卷积核被激 活，输出特定信号.

2.2 CNN 架构

如果没有这些层，模型很难与复杂模式匹配，因为网络将有过多的信息填充，也就是其他那些层作用就是突出重要信息，降低噪声。

2.2.3 卷积层

• • 
    
• ksize 卷积核的大小
• strides 卷积核移动的跨度
• padding 边缘填充
  • 
    

2.2.4 非线性变换层（激活函数）

• • 
    
• relu
• sigmiod
• tanh
  • 
    

2.2.5 池化层

2.2.6 全连接层

将最后的输出与全部特征连接，我们要使用全部的 特征，为最后的分类的做出决策。最后配合softmax进行分类

整体架构

3 实战

以卫星网络为实例

3.1 数据分类：

import pathlib # 比Os好用多了

3.2 建立模型

3.3 结果分析