Python|深度学习其实并不难：卷积神经网络的简单介绍( 四 ) 点击上方关注

文章插图
c在哪里是正确的类(在我们的例子中是正确的数字) ， Pc类c的预测概率,并在natural log中。一如既往的，损失越少越好。例如，在最好的情况下，我们会
文章插图
在更现实的情况下，我们可能会有
文章插图
我们将在稍后的文章中再次看到交叉熵损失函数，所以请记住这一点!
5.3实施Softmax
你现在知道这个练习，让我们实现一个Softmax图层类
文章插图
这里没有什么太复杂的。几个亮点:

我们将输入压平() ，使其更容易处理，因为我们不再需要它的形状。
np.dot()将输入和self相乘。按元素加权，然后对结果求和。
np.exp()计算用于Softmax的指数。

我们现在已经完成了CNN的整个转发!放在一起:

文章插图

文章插图
运行cnn.py给我们输出类似于：

文章插图
这是有道理的:使用随机权重初始化，你会期望CNN只会像随机猜测一样好。随机猜测的话,10%的准确率(因为有10类)和一个叉的损失?ln?(0.1) = 2.302 {- \ ln (0.1)} = 2.302?ln(0.1) = 2.302,这是我们得到的!
想自己尝试或修改这段代码吗?在浏览器中运行CNN 。它也可以在Github上使用。
6. 结论以上就是对CNN的介绍!在这篇文章中，我们

为什么CNN在某些问题上可能更有用，比如图像分类。
介绍MNIST手写数字数据集。
了解Conv层，它将过滤器与图像进行卷积以产生更有用的输出。
谈到了池化层，它可以帮助删除除最有用的功能之外的所有功能。
实现了一个Softmax层，因此我们可以使用交叉熵损失。

还有很多东西我们还没有讲到，比如如何训练CNN 。本系列的第2部分将对CNN进行深入的一个训练，包括推导梯度和实施反向传播。

文章插图
【Python|深度学习其实并不难：卷积神经网络的简单介绍】编译出品