LeNet5卷积神经网络–TensorFlow2

LeNet5卷积神经网络–TensorFlow2结果展示loss和acc曲线图参数数量程序 结果展示 acc = 89.36% loss和acc曲线图 参数数量 程序 # -*- coding: utf-8 -*- """ Created on Tue Apr 14 2020 @author: jiollos """ # 导入包 import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt from tensorflow.keras.layers import Conv2D LeNet5卷积神经网络是Yann LeCun在1998年提出的经典CNN模型，主要用于手写数字识别。这个模型是深度学习早期的重要里程碑，它的设计思想为后续的卷积神经网络如AlexNet、VGG、ResNet等奠定了基础。在TensorFlow2中，我们可以很容易地实现LeNet5模型。 LeNet5模型主要由以下几个部分组成： 1. **卷积层(Convolutional Layers)**：LeNet5包含两个卷积层（c1和c2），每个卷积层后面跟着一个最大池化层（p1和p2）。卷积层用于提取图像特征，通过滤波器（filter）对输入图像进行滑动并计算响应。这里c1使用了6个5x5的滤波器，c2使用了16个5x5的滤波器，激活函数为Sigmoid。 2. **池化层(Pooling Layers)**：最大池化层的主要作用是降低数据的维度，减少计算量，同时保持关键特征。这里使用2x2的池化窗口，步长为2，可以将图像尺寸减半。 3. **展平层(Flatten Layer)**：在卷积层和全连接层之间，需要将多维特征图展平成一维向量，以便输入到全连接层中。 4. **全连接层(Fully Connected Layers)**：LeNet5有两个全连接层（f1和f2），每个全连接层后面跟着一个激活函数，最后的f3层用于分类，使用Softmax激活函数，输出对应类别的概率分布。 5. **训练与评估**：在TensorFlow2中，模型训练通常包括编译模型（设置优化器、损失函数和评估指标）、加载数据、定义回调函数（如模型检查点保存）以及调用`fit()`方法进行训练。在这个例子中，使用了Adam优化器，损失函数为SparseCategoricalCrossentropy，评估指标为sparse_categorical_accuracy。`ModelCheckpoint`回调函数用于在训练过程中保存最佳模型权重。 6. **结果展示**：在训练完成后，通常会绘制损失(loss)和准确率(accuracy)曲线图，以观察模型在训练过程中的性能变化。这里的代码示例没有给出完整的绘图部分，但可以通过`history.history`获取训练过程中的损失和准确率数据，然后使用matplotlib库来绘制曲线。 7. **数据预处理**：对于Fashion-MNIST数据集，需要对像素值进行归一化，将其范围从0-255缩放到0-1之间，同时由于模型结构需要，还需要将二维图像数据扩展为四维张量。 8. **模型加载与保存**：使用`load_weights()`方法可以从指定路径加载模型权重，`ModelCheckpoint`回调函数则会在训练过程中自动保存最佳模型，只保存权重以节省存储空间。 LeNet5模型在TensorFlow2中的实现是一个标准的深度学习流程，包括模型构建、数据预处理、训练、评估和权重管理。它是理解和实践卷积神经网络的良好起点，同时也是解决类似图像识别问题的基础模型。