卷积神经网络CNN理论推导

利用基于tensorflow2的keras框架，搭建CNN卷积神经网络模型，对手写数字识别数据集mnist进行分类，网络规模小，训练精度高。网络包括三个卷积层，两个池化层和全连接层，在测试集上实现了99%左右的识别率。

本文档言简意赅地介绍了卷积神经网络的原理，从最基础的反向传播梯度下降开始介绍，是学习搭建卷积神经网络非常不错的参考资料。

import numpy as np import sys def conv_(img, conv_filter): filter_size = conv_filter.shape[1] result = np.zeros((img.shape)) # 循环遍历图像以应用卷积运算 for r in np.uint16(np.arange(filter_size/2.0, img.shape[0]-filter_size/2.0+1)): for c in np.uint16(np.arange(filter_size/2.0, img.shape[1]-filter_s

本项目的所有代码均已在Python3.6及Pycharm平台调试通过，除了代码外，还提供《卷积神经网络(CNN)详解与代码实现》文档和《Notes on Convolutional Neural Networks》文档，其中：《卷积神经网络(CNN)详解与代码实现》主要从卷积神经网络结构、代码实现流程图以及介绍、代码实现、注意事项、运行结果以及分析、Softmax函数详解与推导、BP算法、CNN的反向求导等方面重点描述，十分详细；代码也增加不少的注释，有助于大家了解；《Notes on Convolutional Neural Networks》是麻省理工Jake Bouvrie写的非常详细。

综述

环境描述     操作系统：windows10     开发语言：python3.7.6     深度学习后端：tensorflow2.1.0     深度学习前端：keras（ts内嵌的keras）     显卡：GTX1050TI（安装cuda）     一、准备数据     从百度或谷歌上搜火、火焰、火灾等图片，建立两个文件夹（因为是二分类问题，有火or无火）fire和nofire。效果如下：     截图的文件夹分为conv和不带conv的文件夹，其实是火和无火的图片是经过多次添加的，因为训练数据的过程中会发现某些图片识别效果不是很好，所以得在训练样本中增加特定的图片（比如初次训练的

卷积神经网络用于手写数字识别，C++代码实现，使用cpu多线程

卷积神经网络CNN进行图像分类

MATLAB深度学习工具箱中卷积神经神经网络程序的中文注释，帮助理解CNN