- 大作业内容请参照 main.ipynb
- net.py
- conv.py
- 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
- print(net) 输出网络结构
注:输入前需addData(),并count一次
-
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。