图像识别实战(三)—-DNN讲解及代码实现

DNN—–Deep Neural Networks——深度神经网络

代码实现

class MyDNN(fluid.dygraph.Layer): def __init__(self): super(MyDNN,self).__init__()         self.hidden1 = Linear(100,65,act='relu')         self.hidden2 = Linear(65,65,act='relu')         self.hidden3 = Linear(65,100,act = 'relu')         self.hidden4 = Linear(3*100*100,10,act='softmax') def forward(self,input):         x = self.hidden1(input) # print(x)         x = self.hidden2(x)         x = self.hidden3(x) # print('n',x)         x = fluid.layers.reshape(x, shape=[-1,3*100*100])         y = self.hidden4(x) return y 

def __init__() 方法定义了神经网络每一层的架构架构， def forwaid() 将每一层连接起来 

init()方法中定义了四个hidden层，正如其中文索要表达的意思一样，这代表四个“隐藏层”

隐藏层

最初级的神经网络是感知机—-若干个出入和一个输出

随着处理事务的逐渐复杂和计算能力的增大，神经网络逐渐发展为如下模型

​ 图二

最左侧位输入层，最右侧位输出层，而夹在输入层和输出层的所有层次结构被称为——隐藏层

Q

上述图二神经网络有几层？

A

两层，输入层不计算在内

接上述“隐藏层”之后，我们继续讲述 “ Linear(100,65,act=‘relu’) ” 中的参数问题

100 65

100代表输入到本隐藏层的节点数，————上一层的输出应该是100

65代表本层输出的节点数————————下一层的输入应该是65

act = “relu”

act代表激活函数

激活函数(Activation Function)

在神经元中，经过input(或上一层隐藏层)加权、求和 后被应用于的一个函数，

why激活函数

如果不使用激活函数，每一层的输出知识承接了上一层输入函数的线性变换，

So，无论神经网络有多少层，输出都是输入的线性组合，但是这不是我们想要的结果，如果只是线性组合，那么便失去了神经网络的优势

So，使用激活函数，可以给神经元以非线性的因素，使得神经网络可以逼近任何非线性的函数，

这样神经网络便可以应用到非线性模型中

各类激活函数

sigmoid函数

softmax函数

relu函数

def relu(x):

return x if x >0 else 0

其他函数，请点击查看

Forward

最后我们使用forward()方法将四层结构连接起来(input是输入层)，

最后我们可以看见，第四层的输入是3x100x100，但是第三层的输出是100，不能对应上，

所以在forward()中便定义了，改变形状的函数。

x = fluid.layers.reshape(x, shape=[-1,3*100*100]) 

最后，如果有什么不懂得可以随时私信，询问我，共同努力，共同进步，老子爱你们！

了，改变形状的函数。

x = fluid.layers.reshape(x, shape=[-1,3*100*100]) 

如果想了解图像识别实战的全过程，请务必点击博主名字，进入主页查看全部。
别忘了留下，你的、评论和关注偶~

最后，如果有什么不懂得可以随时私信，询问我，共同努力，共同进步，老子爱你们！