基于python2.7的LeNet5源代码实现

基于python2.7的LeNet5源代码实现，效果很不错。

“““This tutorial introduces the LeNet5 neural network architecture
using Theano.  LeNet5 is a convolutional neural network good for
classifying images. This tutorial shows how to build the architecture
and comes with all the hyper-parameters you need to reproduce the
paper‘s MNIST results.


This implementation simplifies the model in the following ways:

 - LeNetConvPool doesn‘t implement location-specific gain and bias parameters
 - LeNetConvPool doesn‘t implement pooling by average it implements pooling
   by max.
 - Digit classification is implemented with a logistic regression rather than
   an RBF network
 - LeNet5 was not fully-connected convolutions at second layer

References:
 - Y. LeCun L. Bottou Y. Bengio and P. Haffner:
   Gradient-based Learning Applied to Document
   Recognition Proceedings of the IEEE 86（11）:2278-2324 November 1998.
   http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf

“““
import os
import sys
import time

import numpy

import theano
import theano.tensor as T
from theano.tensor.signal import downsample
from theano.tensor.nnet import conv

from logistic_sgd import LogisticRegression load_data
from mlp import Hiddenlayer


class LeNetConvPoollayer（object）:
    “““Pool layer of a convolutional network “““

    def __init__（self rng input filter_shape image_shape poolsize=（2 2））:
        “““
        Allocate a LeNetConvPoollayer with shared variable internal parameters.

        :type rng: numpy.random.RandomState
        :param rng: a random number generator used to initialize weights

        :type input: theano.tensor.dtensor4
        :param input: symbolic image tensor of shape image_shape

        :type filter_shape: tuple or list of length 4
        :param filter_shape: （number of filters num input feature maps
                              filter height filter width）

        :type image_shape: tuple or list of length 4
        :param image_shape: （batch size num input feature maps
                             image height image width）

        :type poolsize: tuple or list of length 2
        :param poolsize: the downsampling （pooling） factor （#rows #cols）
        “““

        assert image_shape[1] == filter_shape[1]
        self.input = input

        # there are “num input feature maps * filter height * filter width“
        # inputs to each hidden unit
        fan_in = numpy.prod（filter_shape[1:]）
        # each unit in the lower layer receives a gradient from:
        # “num output feature maps * filter height * filter width“ /
        #   pooling size
        fan_out = （filter_shape[0] * numpy.prod（filter_shape[2:]） /
                   numpy.prod（poolsize））
        # initialize weights with random weights
        W_bound = numpy.sqrt（6. / （fan_in + fan_out））
        self.W = theano.shared（
            numpy.asarray（
                rng.uniform（low=-W_bound high=W_bound size=filter_shape）
                dtype=theano.config.floatX
            ）
            borrow=True
        ）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2015-09-14 09:19  基于python2.7的LeNet5源代码实现\
     文件       12645  2015-08-20 22:08  基于python2.7的LeNet5源代码实现\convolutional_mlp.py
     文件       20706  2015-08-20 22:08  基于python2.7的LeNet5源代码实现\convolutional_mlp_commentate.py
     目录           0  2015-09-14 09:19  基于python2.7的LeNet5源代码实现\data\
     文件        9457  2015-09-02 21:29  基于python2.7的LeNet5源代码实现\logistic_sgd.py
     文件       14181  2015-08-20 22:08  基于python2.7的LeNet5源代码实现\mlp.py