[Python人工智能] 八.卷积神经网络CNN原理详解及TensorFlow编写CNN 丨【百变AI秀】

代码下载地址（欢迎大家关注）：

https://github.com/eastmountyxz/AI-for-TensorFlow

https://github.com/eastmountyxz/AI-for-Keras

文章目录

一.卷积神经网络原理

1.什么是CNN

2.CNN原理

二.TensorFlow实现CNN

三.总结

前文赏析：

[Python人工智能] 一.TensorFlow2.0环境搭建及神经网络入门

[Python人工智能] 二.TensorFlow基础及一元直线预测案例

[Python人工智能] 三.TensorFlow基础之Session、变量、传入值和激励函数

[Python人工智能] 四.TensorFlow创建回归神经网络及Optimizer优化器

[Python人工智能] 五.Tensorboard可视化基本用法及绘制整个神经网络

[Python人工智能] 六.TensorFlow实现分类学习及MNIST手写体识别案例

[Python人工智能] 七.什么是过拟合及dropout解决神经网络中的过拟合问题 丨【百变AI秀】

[Python人工智能] 八.卷积神经网络CNN原理详解及TensorFlow编写CNN 丨【百变AI秀】

一.卷积神经网络原理

1.什么是CNN

一般的神经网络在理解图片信息的时候还是有不足之处，这时卷积神经网络就成为了计算机处理图片的助推器。卷积神经网络的英文是Convolutional Neural Network，简称CNN。它通常应用于图像识别和语音识等领域，并能给出更优秀的结果，也可以应用于视频分析、机器翻译、自然语言处理、药物发现等领域。著名的阿尔法狗让计算机看懂围棋就是基于卷积神经网络的。

神经网络是由很多神经层组成，每一层神经层中存在很多神经元，这些神经元是识别事物的关键，当输入是图片时，其实就是一堆数字。

首先，卷积是什么意思呢？卷积是指不在对每个像素做处理，而是对图片区域进行处理，这种做法加强了图片的连续性，看到的是一个图形而不是一个点，也加深了神经网络对图片的理解。

卷积神经网络批量过滤器，持续不断在图片上滚动搜集信息，每一次搜索都是一小块信息，整理这一小块信息之后得到边缘信息。比如第一次得出眼睛鼻子轮廓等，再经过一次过滤，将脸部信息总结出来，再将这些信息放到全神经网络中进行训练，反复扫描最终得出的分类结果。如下图所示，猫的一张照片需要转换为数学的形式，这里采用长宽高存储，其中黑白照片的高度为1，彩色照片的高度为3(RGB)。

过滤器搜集这些信息，将得到一个更小的图片，再经过压缩增高信息嵌入到普通神经层上，最终得到分类的结果，这个过程即是卷积。Convnets是一种在空间上共享参数的神经网络，如下图所示，它将一张RGB图片进行压缩增高，得到一个很长的结果。

近几年神经网络飞速发展，其中一个很重要的原因就是CNN卷积神经网络的提出，这也是计算机视觉处理的飞跃提升。关于TensorFlow中的CNN，Google公司也出了一个非常精彩的视频教程，也推荐大家去学习。

Google官方卷积神经网络介绍视频 - 优达学城

2.CNN原理

本文主要讲解如何去应用CNN，下面我们先简单看看CNN是如何处理信息的。这里参考Google官方视频介绍，强烈推荐大家学习。

假设你有一张小猫咪的照片，如下图所示，它可以被表示为一个博饼，它有宽度（width）和高度（height），并且由于天然存在红绿蓝三色，它还拥有RGB厚度（depth），此时你的输入深度为3。

假设我们现在拿出图片的一小块，运行一个具有K个输出的小神经网络，像图中一样把输出表示为垂直的一小列。

在不改变权重的情况下，通过小神经网络滑动扫遍整个图片，就像我们拿着刷子刷墙一样水平垂直的滑动。

此时，输出端画出了另一幅图像，如下图中红色区域所示。它与之前的宽度和高度不同，更重要的是它跟之前的深度不同，而不是仅仅只有红绿蓝，现在你得到了K个颜色通道，这种操作称为——卷积。

如果你的块大小是整张图片，那它跟普通的神经网络层没有任何区别，正是由于我们使用了小块，我们有很多小块在空间中共享较少的权重。卷积不在对每个像素做处理，而是对图片区域进行处理，这种做法加强了图片的连续性，也加深了神经网络对图片的理解。

一个卷积网络是组成深度网络的基础，我们将使用数层卷积而不是数层的矩阵相乘。如下图所示，让它形成金字塔形状，金字塔底是一个非常大而浅的图片，仅包括红绿蓝，通过卷积操作逐渐挤压空间的维度，同时不断增加深度，使深度信息基本上可以表示出复杂的语义。同时，你可以在金字塔的顶端实现一个分类器，所有空间信息都被压缩成一个标识，只有把图片映射到不同类的信息保留，这就是CNN的总体思想。

上图的具体流程如下：

首先，这是有一张彩色图片，它包括RGB三原色分量，图像的长和宽为256*256，三个层面分别对应红（R）、绿（G）、蓝（B）三个图层，也可以看作像素点的厚度。

其次，CNN将图片的长度和宽度进行压缩，变成12812816的方块，压缩的方法是把图片的长度和宽度压小，从而增高厚度。

再次，继续压缩至646464，直至3232256，此时它变成了一个很厚的长条方块，我们这里称之为分类器Classifier。该分类器能够将我们的分类结果进行预测，MNIST手写体数据集预测结果是10个数字，比如[0,0,0,1,0,0,0,0,0,0]表示预测的结果是数字3，Classifier在这里就相当于这10个序列。

最后，CNN通过不断压缩图片的长度和宽度，增加厚度，最终会变成了一个很厚的分类器，从而进行分类预测。

如果你想实现它，必须还要正确实现很多细节。此时，你已经接触到了块和深度的概念，块（PATCH）有时也叫做核（KERNEL），如下图所示，你堆栈的每个薄饼都被叫做特征图（Feature Map），这里把三个特性映射到K个特征图中，PATCH/KERNEL的功能是从图片中抽离一小部分进行分析，每次抽离的小部分都会变成一个长度、一个宽度、K个厚度的数列。

另一个你需要知道的概念是——步幅（STRIDE）。它是当你移动滤波器或抽离时平移的像素的数量，每一次跨多少步去抽离图片中的像素点。

如果步幅STRIDE等于1，表示每跨1个像素点抽离一次，得到的尺寸基本上和输入相同。

如果步幅STRIDE等于2，表示每次跨2个像素点抽离，意味着变为一半的尺寸。它收集到的信息就会被缩减，图片的长度和宽度被压缩了，压缩合并成更小的一块立方体。

压缩完之后再合并成一个立方体，它就是更小的一块立方体，包含了图片中的所有信息。

抽离图片信息的方式称为PADDING（填充），一般分为两种：

VALID PADDING： 抽出来这层比原先那层图片宽和长裁剪了一点，抽取的内容全部是图片内的。

SAME PADDING： 抽离出的那层与之前的图片一样的长和宽，抽取的内容部分再图片外，图片外的值用0来填充。

研究发现，卷积过程会丢失一些信息，比如现在想跨2步去抽离原始图片的重要信息，形成长宽更小的图片，该过程中可能会丢失重要的图片信息。为了解决这个问题，通过POOLING（持化）可以避免。其方法是：卷积时不再压缩长宽，尽量保证更多信息，压缩工作交给POOLING。经过图片到卷积，持化处理卷积信息，再卷积再持化，将结果传入两层全连接神经层，最终通过分类器识别猫或狗。

总结：整个CNN从下往上依次经历“图片->卷积->持化->卷积->持化->结果传入两层全连接神经层->分类器”的过程，最终实现一个CNN的分类处理。

IMAGE 图片

CONVOLUTION 图层

MAX POOLING 更好地保存原图片的信息

CONVOLUTION 图层

MAX POOLING 更好地保存原图片的信息

FULLY CONNECTED 神经网络隐藏层

FULLY CONNECTED 神经网络隐藏层

CLASSIFIER 分类器

写到这里，CNN的基本原理讲解完毕，希望大家对CNN有一个初步的理解。同时建议大家处理神经网络时，先用一般的神经网络去训练它，如果得到的结果非常好，就没必要去使用CNN，因为CNN结构比较复杂。

二.TensorFlow实现CNN

接着我们讲解如何在TensorFlow代码中编写CNN。之前我们用一般的神经网络来预测MNIST手写数字时，其准确率能达到87.78%。但该准确率相对目前的技术来说，是非常低的，我们需要编写CNN来实现，它能提升到96%左右。

第一步，打开Anaconda，然后选择已经搭建好的“tensorflow”环境，运行Spyder。

第二步，导入扩展包。

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data

第三步，下载数据集。

由于MNIST数据集是TensorFlow的示例数据，所以我们只需要下面一行代码，即可实现数据集的读取工作。如果数据集不存在它会在线下载，如果数据集已经被下载，它会被直接调用。

# 下载数据集 数字1到10 mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

获取的数据如下图所示：

第四步，定义compute_accuracy()函数，输出的准确度result为该函数返回的结果。

mnist分为train data（训练数据集）和test data（测试数据集），如果整个数据集拿去训练，会造成人为的误差，分好成两个独立的事件效果会更好。这里定义compute_accuracy()函数计算准确度，代码如下：

#-------------------------------定义计算准确度函数------------------------------ # 参数：预测xs和预测ys def compute_accuracy(v_xs, v_ys): # 定义全局变量 global prediction # v_xs数据填充到prediction变量中 生成预测值0到1之间的概率 y_pre = sess.run(prediction, feed_dict={xs:v_xs,keep_prob: 1}) # 比较预测最大值(y_pre)和真实最大值(v_ys)的差别 如果等于就是预测正确,否则错误 correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1)) # 计算正确的数量 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 输出结果为百分比 百分比越高越准确 result = sess.run(accuracy, feed_dict={xs:v_xs, ys:v_ys, keep_prob:1}) return result

接着我们需要编写定义weight、bias、conv2d、max_pool_2x2等函数。

第五步，定义权重和误差变量。

#---------------------------------定义权重和误差变量------------------------------ # 输入shape返回变量定义的参数 def weight_variable(shape): # 产生截断正态分布随机数 initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): # 误差初始值定义为0.1 initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)

第六步，定义卷积神经网络层。

#---------------------------------定义卷积神经网络层------------------------------ # 定义二维CNN x表示输入值或图片的值 W表示权重 def conv2d(x, W): # 输入x表示整张图片的信息 权重W strides表示步长跨度 [1,x_movement,y_movement,1] # strides:一个长度为4的列表 第一个和最后一个元素为1 第二个为元素是水平x方向的跨度 第三个元素为垂直y方向跨度 # padding包括两种形式 VALID和SAME return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')

抽离图片信息的方式成为PADDING，这里使用“SAME PADDING”，抽离出的那层与之前的图片一样的长和宽。

第七步，为了防止跨度太大，丢失东西太多，这里添加了POOLING处理，减小跨度。最终得到结果的形状都一样，但它能保留更多的图片信息。

conv2d()函数和max_pool_2x2()比较类似，但是con2d阶段保留了原始长度和宽度（strides=[1,1,1,1]），而在pooling阶段减小长度和宽度（strides=[1,2,2,1]）。

#------------------------------------定义POOLING--------------------------------- def max_pool_2x2(x): # Must have strides[0] = striders[3] = 1 # x_movement和y_movement隔两个步长移动一次 从而压缩整幅图片的长和宽 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

第八步，定义placeholder，用于传入值xs和ys至神经网络。

# 设置传入的值xs和ys xs = tf.placeholder(tf.float32, [None, 784]) #每张图片28*28=784个点 ys = tf.placeholder(tf.float32, [None, 10]) #每个样本有10个输出 # keeping probability keep_prob = tf.placeholder(tf.float32) # 形状修改 # xs包括了所有的图片样本 -1表示图片个数维度暂时不管(后续补充) # 28*28表示像素点 1表示信道(该案例图片黑白为1,彩色为3) x_image = tf.reshape(xs, [-1,28,28,1]) print(x_image.shape) #[n_samples,28,28,1]

接下来我们就开始讲解如何添加神经层。

第九步，增加神经层 conv1 layer。

小方块的长度和宽度是5，in size为1是图片的厚度，输出的高度是32。

h_conv1输出的大小为282832，因为padding采用“SAME”的形式，W_conv1输出值为32，故厚度也为32，长度和宽度相同为28。而由于POOLING处理设置的strides步长为2，故其输出大小也有变化，其结果为141432。核心代码如下：

#-------------------------------增加神经层 conv1 layer------------------------------ # 定义权重 W_conv1 = weight_variable([5,5,1,32]) #patch 5*5, input size 1, output size 32 # 定义bias b_conv1 = bias_variable([32]) #32个长度 # 搭建CNN的第一层 # 嵌套一个relu非线性化激励处理 计算 = x_image输入*权重 + 误差 h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28*28*32 # POOLING处理 h_pool1 = max_pool_2x2(h_conv1) # output size 14*14*32

第十步，通过同样的方法定义conv2 layer。

W_conv2定义的patch为5*5，传入大小为32，传出大小为64，不断将其变厚，类似于下图所示。图片最早的厚度为1（MNIST数据集是黑白图片，如果是彩色则为3），接着第一层厚度变成32，第三层厚度增长为64。

此时h_conv2的输出结果为141464，第二层POOLING处理会继续缩小一半，h_pool2输出结果为7764，高度不变。

#-------------------------------增加神经层 conv2 layer------------------------------ # 定义权重 W_conv2 = weight_variable([5,5,32,64]) #patch 5*5, input size 32, output size 64 # 定义bias b_conv2 = bias_variable([64]) #64个长度 # 搭建CNN的第二层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14*14*64 # POOLING处理 h_pool2 = max_pool_2x2(h_conv2) # output size 7*7*64

接下来我们开始定义func1 layer和func2layer。

第十一步，定义func1 layer，即第一个全连接神经层。

定义权重，输入值为conv2 layer的输出值7764，输出值为1024，让其变得更高更厚。

#-------------------------------增加神经层 func1 layer------------------------------ # 定义权重 输入值为conv2 layer的输出值7*7*64 输出为1024 W_fc1 = weight_variable([7*7*64, 1024]) # 定义bias b_fc1 = bias_variable([1024]) #1024个长度 # 将h_pool2输出值7*7*64转换为一维数据 [n_samples,7,7,64]->>[n_samples,7*7*64] h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #-1表示样本数 # 乘法 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) # 解决过拟合 h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

第十二步，进行最后一层的Layer处理。

#-------------------------------增加神经层 func2 layer------------------------------ # 定义权重 输入值为1024 输出为10对应10个数字 W_fc2 = weight_variable([1024, 10]) # 定义bias b_fc2 = bias_variable([10]) # 预测 使用softmax计算概率 prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

这里简单总结下神经网络：

conv1 layer：经过卷积和POOLING处理，最终输出141432

conv2 layer：经过卷积和POOLING处理，最终输出7764

func1 layer：平常使用的神经网络，输入7764，最终输出1024

func2 layer：平常使用的神经网络，输入1024，最终输出10，代表10个数字，即为prediction

第十三步，定义误差loss和训练。

这里使用的优化器是AdamOptimizer()函数，其学习效率比GradientDescentOptimizer()更高，学习效率设置为0.0001。

# 预测值与真实值误差 平均值->求和->ys*log(prediction) cross_entropyloss = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1])) #loss # 训练学习 学习效率设置为0.0001 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropyloss) #减小误差

第十四步，初始化操作。

# 定义Session sess = tf.Session() # 初始化 init = tf.initialize_all_variables() sess.run(init)

第十五步，神经网络分类学习。

for i in range(1000): # 提取一部分的xs和ys batch_xs, batch_ys = mnist.train.next_batch(100) #从下载好的数据集提取100个样本 # 训练 sess.run(train_step, feed_dict={xs:batch_xs, ys:batch_ys}) # 每隔50步输出一次结果 if i % 50 == 0: # 计算准确度 print(compute_accuracy( mnist.test.images, mnist.test.labels))

最终完整代码如下：

# -*- coding: utf-8 -*- """ Created on Fri Dec 20 14:27:01 2019 @author: xiuzhang Eastmount CSDN """ import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 下载数据集 数字1到10 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) #-------------------------------定义计算准确度函数------------------------------ # 参数：预测xs和预测ys def compute_accuracy(v_xs, v_ys): # 定义全局变量 global prediction # v_xs数据填充到prediction变量中 生成预测值0到1之间的概率 y_pre = sess.run(prediction, feed_dict={xs:v_xs,keep_prob: 1}) # 比较预测最大值(y_pre)和真实最大值(v_ys)的差别 如果等于就是预测正确,否则错误 correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1)) # 计算正确的数量 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 输出结果为百分比 百分比越高越准确 result = sess.run(accuracy, feed_dict={xs:v_xs, ys:v_ys, keep_prob:1}) return result #---------------------------------定义权重和误差变量------------------------------ # 输入shape返回变量定义的参数 def weight_variable(shape): # 产生截断正态分布随机数 initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): # 误差初始值定义为0.1 initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #---------------------------------定义卷积神经网络层------------------------------ # 定义二维CNN x表示输入值或图片的值 W表示权重 def conv2d(x, W): # 输入x表示整张图片的信息 权重W strides表示步长跨度 [1,x_movement,y_movement,1] # strides:一个长度为4的列表 第一个和最后一个元素为1 第二个为元素是水平x方向的跨度 第三个元素为垂直y方向跨度 # padding包括两种形式 VALID和SAME return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME') #------------------------------------定义POOLING--------------------------------- def max_pool_2x2(x): # Must have strides[0] = striders[3] = 1 # x_movement和y_movement隔两个步长移动一次 从而压缩整幅图片的长和宽 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') #-----------------------------定义placeholder输入至神经网络------------------------- # 设置传入的值xs和ys xs = tf.placeholder(tf.float32, [None, 784]) #每张图片28*28=784个点 ys = tf.placeholder(tf.float32, [None, 10]) #每个样本有10个输出 # keeping probability keep_prob = tf.placeholder(tf.float32) # 形状修改 # xs包括了所有的图片样本 -1表示图片个数维度暂时不管(后续补充) # 28*28表示像素点 1表示信道(该案例图片黑白为1,彩色为3) x_image = tf.reshape(xs, [-1,28,28,1]) print(x_image.shape) #[n_samples,28,28,1] #-------------------------------增加神经层 conv1 layer------------------------------ # 定义权重 W_conv1 = weight_variable([5,5,1,32]) #patch 5*5, input size 1, output size 32 # 定义bias b_conv1 = bias_variable([32]) #32个长度 # 搭建CNN的第一层 # 嵌套一个relu非线性化激励处理 计算 = x_image输入*权重 + 误差 h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28*28*32 # POOLING处理 h_pool1 = max_pool_2x2(h_conv1) # output size 14*14*32 #-------------------------------增加神经层 conv2 layer------------------------------ # 定义权重 W_conv2 = weight_variable([5,5,32,64]) #patch 5*5, input size 32, output size 64 # 定义bias b_conv2 = bias_variable([64]) #64个长度 # 搭建CNN的第二层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14*14*64 # POOLING处理 h_pool2 = max_pool_2x2(h_conv2) # output size 7*7*64 #-------------------------------增加神经层 func1 layer------------------------------ # 定义权重 输入值为conv2 layer的输出值7*7*64 输出为1024 W_fc1 = weight_variable([7*7*64, 1024]) # 定义bias b_fc1 = bias_variable([1024]) #1024个长度 # 将h_pool2输出值7*7*64转换为一维数据 [n_samples,7,7,64]->>[n_samples,7*7*64] h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #-1表示样本数 # 乘法 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) # 解决过拟合 h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #-------------------------------增加神经层 func2 layer------------------------------ # 定义权重 输入值为1024 输出为10对应10个数字 W_fc2 = weight_variable([1024, 10]) # 定义bias b_fc2 = bias_variable([10]) # 预测 使用softmax计算概率 prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #------------------------------定义loss和训练------------------------------- # 预测值与真实值误差 平均值->求和->ys*log(prediction) cross_entropyloss = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1])) #loss # 训练学习 学习效率设置为0.0001 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropyloss) #减小误差 #-----------------------------------初始化----------------------------------- # 定义Session sess = tf.Session() # 初始化 init = tf.initialize_all_variables() sess.run(init) #---------------------------------神经网络学习--------------------------------- for i in range(1000): # 提取一部分的xs和ys batch_xs, batch_ys = mnist.train.next_batch(100) #从下载好的数据集提取100个样本 # 训练 sess.run(train_step, feed_dict={xs:batch_xs, ys:batch_ys, keep_prob:0.5}) # 每隔50步输出一次结果 if i % 50 == 0: # 计算准确度 print(compute_accuracy( mnist.test.images, mnist.test.labels))

接着运行代码，CPU基本上满负荷运转。

最终输出结果如下图所示，可以看到，最早预测的准确度结果非常低为6.78%，最后提升到了96.92%，其结果高于之前的一般神经网络的结果87.79%（第六篇博客），由此可见TensorFlow CNN的分类学习效果还不错。

0.0678 0.8096 0.8839 0.9119 0.9266 0.9361 0.9441 0.9496 0.9505 0.9561 0.9566 0.9616 0.9625 0.9644 0.9648 0.9668 0.9689 0.9698 0.9709 0.9692

三.总结

写到这里，这篇文章就结束了。本文详细介绍了卷积神经网络CNN的基本原理，并通过TensorFlow实现CNN卷积神经网络，结合MNIST手写体识别数据集进行分类学习。最后，希望这篇基础性文章对您有所帮助，如果文章中存在错误或不足之处，还请海涵~作为人工智能的菜鸟，我希望自己能不断进步并深入，后续将它应用于图像识别、网络安全、对抗样本等领域，指导大家撰写简单的学术论文，一起加油！

感恩能与大家在华为云遇见！

希望能与大家一起在华为云社区共同成长。原文地址：https://blog.csdn.net/Eastmount/article/details/103620235

【百变AI秀】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/296704

(By:娜璋之家 Eastmount 2021-09-05 夜于武汉)

参考文献：

TensorFlow 深度学习 神经网络

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。