实践篇2：深度学习之----LetNet之tensorflow2的实现

​
​

活动地址：CSDN21天学习挑战赛

该篇文章是基于上篇文章（实践篇1：深度学习之----LetNet之tensorflow2的实现）的补充和继续；

上篇知识点补充：

上篇文章网络详情中Param表示的是该层的输入参数：

• 卷积层参数的计算公式：

（卷积核大小*卷积核大小*卷积核通道数 + 1）*卷积核个数
1

例子：（上篇文章为例）
conv2d (Conv2D)（第一个卷积层）：（331+1）32=320
​conv2d_1 (Conv2D) （第二个卷积层）：（33*32+1）*64=18496

• 全连接层计算公式：

（输入数据维度+1）*神经元个数
1

例子：（上篇文章为例）
输出层之前的全连接层：（64+1）*10=650

加1的原因，因为每个神经元都有一个偏置bias。

模型的编译：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
1
2
3

model.compile()用法：

model.compile() 方法用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准

model.compile(optimizer = 优化器， loss = 损失函数， metrics = ["准确率”])

1
2
3

其中：

optimizer可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置学习率、动量和超参数
例如：

“sgd” 或者 tf.optimizers.SGD(lr = 学习率，decay = 学习率衰减率，momentum = 动量参数）

1
2
3

loss可以是字符串形式给出的损失函数的名字，也可以是函数形式
例如：

”mse" 或者 tf.keras.losses.MeanSquaredError()
1

Metrics标注网络评价指标

例如：

"accuracy" : y_ 和 y 都是数值，如y_ = [1] y = [1]  #y_为真实值，y为预测值
"sparse_accuracy":y_和y都是以独热码 和概率分布表示，如y_ = [0, 1, 0], y = [0.256, 0.695, 0.048]
"sparse_categorical_accuracy" :y_是以数值形式给出，y是以 独热码给出，如y_ = [1], y = [0.256 0.695, 0.048]
1
2
3

今天先到这吧，下次讲一下优化器！
如有错误欢迎指正！