如何用python搭建神经网络,python画神经网络结构图_python快速构建神经网络 csdn

1、怎样用python构建一个卷积神经网络模型

上周末利用python简单实现了一个卷积神经网络，只包含一个卷积层和一个maxpooling层，pooling层后面的多层神经网络采用了softmax形式的输出。实验输入仍然采用MNIST图像使用10个feature map时，卷积和pooling的结果分别如下所示。

部分源码如下：

[python] view plain copy

• #coding=utf-8

• '''''

• Created on 2014年11月30日

• @author: Wangliaofan

• '''

• import numpy

• import struct

• import matplotlib.pyplot as plt

• import math

• import random

• import copy

• #test

• from BasicMultilayerNeuralNetwork import BMNN2

• def sigmoid(inX):

• if 1.0+numpy.exp(-inX)== 0.0:

• return 999999999.999999999

• return 1.0/(1.0+numpy.exp(-inX))

• def difsigmoid(inX):

• return sigmoid(inX)*(1.0-sigmoid(inX))

• def tangenth(inX):

• return (1.0*math.exp(inX)-1.0*math.exp(-inX))/(1.0*math.exp(inX)+1.0*math.exp(-inX))

• def cnn_conv(in_image, filter_map,B,type_func='sigmoid'):

• #in_image[num,feature map,row,col]=>in_image[Irow,Icol]

• #features map[k filter,row,col]

• #type_func['sigmoid','tangenth']

• #out_feature[k filter,Irow-row+1,Icol-col+1]

• shape_image=numpy.shape(in_image)#[row,col]

• #print "shape_image",shape_image

• shape_filter=numpy.shape(filter_map)#[k filter,row,col]

• if shape_filter[1]>shape_image[0] or shape_filter[2]>shape_image[1]:

• raise Exception

• shape_out=(shape_filter[0],shape_image[0]-shape_filter[1]+1,shape_image[1]-shape_filter[2]+1)

• out_feature=numpy.zeros(shape_out)

• k,m,n=numpy.shape(out_feature)

• for k_idx in range(0,k):

• #rotate 180 to calculate conv

• c_filter=numpy.rot90(filter_map[k_idx,:,:], 2)

• for r_idx in range(0,m):

• for c_idx in range(0,n):

• #conv_temp=numpy.zeros((shape_filter[1],shape_filter[2]))

• conv_temp=numpy.dot(in_image[r_idx:r_idx+shape_filter[1],c_idx:c_idx+shape_filter[2]],c_filter)

• sum_temp=numpy.sum(conv_temp)

• if type_func=='sigmoid':

• out_feature[k_idx,r_idx,c_idx]=sigmoid(sum_temp+B[k_idx])

• elif type_func=='tangenth':

• out_feature[k_idx,r_idx,c_idx]=tangenth(sum_temp+B[k_idx])

• else:

• raise Exception

• return out_feature

• def cnn_maxpooling(out_feature,pooling_size=2,type_pooling="max"):

• k,row,col=numpy.shape(out_feature)

• max_index_Matirx=numpy.zeros((k,row,col))

• out_row=int(numpy.floor(row/pooling_size))

• out_col=int(numpy.floor(col/pooling_size))

• out_pooling=numpy.zeros((k,out_row,out_col))

• for k_idx in range(0,k):

• for r_idx in range(0,out_row):

• for c_idx in range(0,out_col):

• temp_matrix=out_feature[k_idx,pooling_size*r_idx:pooling_size*r_idx+pooling_size,pooling_size*c_idx:pooling_size*c_idx+pooling_size]

• out_pooling[k_idx,r_i