使用方法
- 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
运行mnist_train体验训练
test.py的可视化输出
网络结构输出
- print(net) 输出网络结构
注:输入前需addData()，并count一次
mnist可视化输出
- 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。
运行main.ipynb进行个性化测试
完整代码：
