使用numpy进行深度学习代码实战

使用方法

• 定义网络

from net import ConvNet
net = ConvNet()
if not net.load(MODEL_PATH):      
        net.addConvLayout([3,3,1,4],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
        net.addConvLayout([3,3,4,8],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
        net.addConvLayout([5,5,8,16],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
        net.addConvLayout([5,5,16,32],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
        net.addConvLayout([16,16,32,64],bias = True,padding='VAILD',st_func='SIGMOID',init_type=init_type)
        net.addConvLayout([1,1,64,10],bias = True,padding='VAILD',st_func='SIGMOID',init_type=init_type)

• addData()：添加数据

• addConvLayout()：在当前网络最后面添加一层网络

支持卷积层，全连接层，Batch Normalization层

激活函数支持sigmoid,leaky_relu_alpha,alpha可以为任意值

• regress()：回归

支持MSE和交叉熵 支持多种优化器（SGD,Nesterov,RMSProp）

• count()：计算各层输出

• save()：保存权值

• load()：读取权值

运行mnist_train体验训练

test.py的可视化输出

网络结构输出

• print(net) 输出网络结构

注:输入前需addData()，并count一次

mnist可视化输出

• 运行mnist_visual_test.py可测试mnist数据集

• model文件夹内为mnist训练的模型，最新的模型只在batch_size=30的情况下训练了400次，我们在测试集上测试准确率达到了:95.38%。使用的模型结构如上图所示，4层卷积层+2层全连接层。

运行main.ipynb进行个性化测试

完整代码：

https://download.csdn.net/download/weixin_55771290/87387208