Tensorflow实战中，如何应用经典卷积神经网络解决实际问题？

本文共计708个文字，预计阅读时间需要3分钟。

四种经典卷积神经网络：AlexNet、VGGNet、Google Inception net、ResNet。AlexNet：技巧：ReLU、Dropout、LPN，GPU加速，显示每个卷积层或池化层输出的tensor尺寸。

4种经典的卷积神经网络，AlexNet（8），VGGNet（19），Google Inception net（22），ResNet（152）。

AlexNet：

Trick：ReLu， Dropout，LPN，gpu加速
显示每一个卷积层或者池化层输出tensor的尺寸

#显示名称和尺寸
print(t.op.name, ' ', t.get_shape().as_list())

第一个卷积层conv1，通过下列句子，可以将scope内生成的Variable自动命名为conv1/xxx，便于区分不同卷积层之间的组件。

with tf.name_scope('conv1') as

构造正态分布的随机tensor

# 作为网络的input
images = tf.Variable(tf.random_nomal([batch_size, image_size,image_size,3],dtype = tf.float32, stddev = 1e-1))

VGGNet：

VGG网络简洁，整个网络都用了同样大小的卷积核尺寸（3 * 3）和最大池化尺寸（2 * 2 ）。
两个3 * 3的卷积层串联相当于1个5 * 5的卷积层，即一个像素会跟周围5 * 5的像素产生关联，可以说感受野大小为5 * 5。
三个串联的3 * 3的卷积层，相当于1个7 * 7。