首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

TensorFlow 基础学习 - 3 CNN

(2, 2), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2),...在卷积层之后加上一个MaxPooling层,用来压缩图像,同时保持卷积所强调的特征内容。通过为MaxPooling指定(2,2),效果是将图像的大小缩小四分之一。...再增加一个卷积层和MaxPooling2D。 现在对输出进行扁平化处理。在这之后,你将拥有与非卷积版本相同的DNN结构,即全连接神经元网络。 含有128个神经元的全连接层,以及10个神经元的输出层。...网络结构 看看可否只使用单个卷积层和单个MaxPooling 2D将MNIST(手写数字)识别率提高到99.8%或更高的准确率。一旦准确率超过这个数值,应该停止训练。Epochs不应超过20个。...(2, 2), # tf.keras.layers.Conv2D(62, (3, 3), activation='relu'), # tf.keras.layers.MaxPooling2D

46720

深度学习第3天:CNN卷积神经网络

((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(...Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) 先导入Keras中的库,接着构建神经网络,Conv2D构建了一个卷积层...,有32个滤波器,每个滤波器的大小是(3,3),MaxPooling2D代表使用最大池化层,池化层大小为(2,2) 直观感受卷积的作用 在这一部分我们通过可视化来直观感受一下卷积神经网络的作用 1.图片导入与处理...((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(...Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) # 加载一张彩色图像 image_path = "hou.jpg

18410
领券