快捷導(dǎo)航

tensorflow學(xué)習(xí)筆記之mnist的卷積神經(jīng)網(wǎng)絡(luò)實(shí)例

更新時(shí)間：2018年04月15日 08:54:49 作者：denny402

這篇文章主要為大家詳細(xì)介紹了tensorflow學(xué)習(xí)筆記之mnist的卷積神經(jīng)網(wǎng)絡(luò)實(shí)例，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

mnist的卷積神經(jīng)網(wǎng)絡(luò)例子和上一篇博文中的神經(jīng)網(wǎng)絡(luò)例子大部分是相同的。但是CNN層數(shù)要多一些，網(wǎng)絡(luò)模型需要自己來(lái)構(gòu)建。

程序比較復(fù)雜，我就分成幾個(gè)部分來(lái)敘述。

首先，下載并加載數(shù)據(jù)：

import tensorflow as tf 
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)   #下載并加載mnist數(shù)據(jù)
x = tf.placeholder(tf.float32, [None, 784])            #輸入的數(shù)據(jù)占位符
y_actual = tf.placeholder(tf.float32, shape=[None, 10])      #輸入的標(biāo)簽占位符

定義四個(gè)函數(shù)，分別用于初始化權(quán)值W，初始化偏置項(xiàng)b, 構(gòu)建卷積層和構(gòu)建池化層。

#定義一個(gè)函數(shù)，用于初始化所有的權(quán)值 W
def weight_variable(shape):
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)

#定義一個(gè)函數(shù)，用于初始化所有的偏置項(xiàng) b
def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)
 
#定義一個(gè)函數(shù)，用于構(gòu)建卷積層
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

#定義一個(gè)函數(shù)，用于構(gòu)建池化層
def max_pool(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

接下來(lái)構(gòu)建網(wǎng)絡(luò)。整個(gè)網(wǎng)絡(luò)由兩個(gè)卷積層（包含激活層和池化層），一個(gè)全連接層，一個(gè)dropout層和一個(gè)softmax層組成。

#構(gòu)建網(wǎng)絡(luò)
x_image = tf.reshape(x, [-1,28,28,1])     #轉(zhuǎn)換輸入數(shù)據(jù)shape,以便于用于網(wǎng)絡(luò)中
W_conv1 = weight_variable([5, 5, 1, 32])   
b_conv1 = bias_variable([32])    
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)   #第一個(gè)卷積層
h_pool1 = max_pool(h_conv1)                 #第一個(gè)池化層

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)   #第二個(gè)卷積層
h_pool2 = max_pool(h_conv2)                  #第二個(gè)池化層

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])       #reshape成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  #第一個(gè)全連接層

keep_prob = tf.placeholder("float") 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)         #dropout層

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)  #softmax層

網(wǎng)絡(luò)構(gòu)建好后，就可以開始訓(xùn)練了。

cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict))   #交叉熵
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)  #梯度下降法
correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))  
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))         #精確度計(jì)算
sess=tf.InteractiveSession()             
sess.run(tf.initialize_all_variables())
for i in range(20000):
 batch = mnist.train.next_batch(50)
 if i%100 == 0:         #訓(xùn)練100次，驗(yàn)證一次
  train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0})
  print 'step %d, training accuracy %g'%(i,train_acc)
  train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})

test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})
print "test accuracy %g"%test_acc

Tensorflow依賴于一個(gè)高效的C++后端來(lái)進(jìn)行計(jì)算。與后端的這個(gè)連接叫做session。一般而言，使用TensorFlow程序的流程是先創(chuàng)建一個(gè)圖，然后在session中啟動(dòng)它。

這里，我們使用更加方便的InteractiveSession類。通過(guò)它，你可以更加靈活地構(gòu)建你的代碼。它能讓你在運(yùn)行圖的時(shí)候，插入一些計(jì)算圖，這些計(jì)算圖是由某些操作(operations)構(gòu)成的。這對(duì)于工作在交互式環(huán)境中的人們來(lái)說(shuō)非常便利，比如使用IPython。

訓(xùn)練20000次后，再進(jìn)行測(cè)試，測(cè)試精度可以達(dá)到99%。

完整代碼：

# -*- coding: utf-8 -*-
"""
Created on Thu Sep 8 15:29:48 2016

@author: root
"""
import tensorflow as tf 
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)   #下載并加載mnist數(shù)據(jù)
x = tf.placeholder(tf.float32, [None, 784])            #輸入的數(shù)據(jù)占位符
y_actual = tf.placeholder(tf.float32, shape=[None, 10])      #輸入的標(biāo)簽占位符

#定義一個(gè)函數(shù)，用于初始化所有的權(quán)值 W
def weight_variable(shape):
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)

#定義一個(gè)函數(shù)，用于初始化所有的偏置項(xiàng) b
def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)
 
#定義一個(gè)函數(shù)，用于構(gòu)建卷積層
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

#定義一個(gè)函數(shù)，用于構(gòu)建池化層
def max_pool(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

#構(gòu)建網(wǎng)絡(luò)
x_image = tf.reshape(x, [-1,28,28,1])     #轉(zhuǎn)換輸入數(shù)據(jù)shape,以便于用于網(wǎng)絡(luò)中
W_conv1 = weight_variable([5, 5, 1, 32])   
b_conv1 = bias_variable([32])    
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)   #第一個(gè)卷積層
h_pool1 = max_pool(h_conv1)                 #第一個(gè)池化層

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)   #第二個(gè)卷積層
h_pool2 = max_pool(h_conv2)                  #第二個(gè)池化層

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])       #reshape成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  #第一個(gè)全連接層

keep_prob = tf.placeholder("float") 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)         #dropout層

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)  #softmax層

cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict))   #交叉熵
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)  #梯度下降法
correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))  
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))         #精確度計(jì)算
sess=tf.InteractiveSession()             
sess.run(tf.initialize_all_variables())
for i in range(20000):
 batch = mnist.train.next_batch(50)
 if i%100 == 0:         #訓(xùn)練100次，驗(yàn)證一次
  train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0})
  print('step',i,'training accuracy',train_acc)
  train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})

test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})
print("test accuracy",test_acc)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: