TensorFlow實(shí)現(xiàn)簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)
本文使用的數(shù)據(jù)集是MNIST,主要使用兩個(gè)卷積層加一個(gè)全連接層構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)。
先載入MNIST數(shù)據(jù)集(手寫數(shù)字識(shí)別集),并創(chuàng)建默認(rèn)的Interactive Session(在沒有指定回話對(duì)象的情況下運(yùn)行變量)
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) sess = tf.InteractiveSession()
在定義一個(gè)初始化函數(shù),因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)有很多權(quán)重和偏置需要?jiǎng)?chuàng)建。
def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) #給權(quán)重制造一些隨機(jī)的噪聲來(lái)打破完全對(duì)稱, return tf.Variable(initial) #使用relu,給偏置增加一些小正值0.1,用來(lái)避免死亡節(jié)點(diǎn) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)
卷積移動(dòng)步長(zhǎng)都是1代表會(huì)不遺漏的劃過(guò)圖片的每一個(gè)點(diǎn),padding代表邊界處理方式,same表示給邊界加上padding讓卷積的輸出和輸入保持同樣的尺寸。
def conv2d(x,W):#2維卷積函數(shù),x輸入,w是卷積的參數(shù),strides代表卷積模板移動(dòng)步長(zhǎng) return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
在正式設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)前,先定義輸入的placeholder(類似于c++的cin,要求用戶運(yùn)行時(shí)輸入)。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)會(huì)利用到空間結(jié)構(gòu)信息,因此需要將一維的輸入向量轉(zhuǎn)換為二維的圖片結(jié)構(gòu)。同時(shí)因?yàn)橹挥幸粋€(gè)顏色通道,所以最后尺寸為【-1, 28,28, 1],-1代表樣本數(shù)量不固定,1代表顏色通道的數(shù)量。
這里的tf.reshape是tensor變形函數(shù)。
x = tf.placeholder(tf.float32, [None, 784])# x 時(shí)特征 y_ = tf.placeholder(tf.float32, [None, 10])# y_時(shí)真實(shí)的label x_image = tf.reshape(x, [-1, 28, 28,1])
接下來(lái)定義第一個(gè)卷積層。
w_conv1 = weight_variable([5, 5, 1, 32]) #代表卷積核尺寸為5X5,1個(gè)顏色通道,32個(gè)不同的卷積核,使用conv2d函數(shù)進(jìn)行卷積操作, b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1)
定義第二個(gè)卷積層,與第一個(gè)卷積層一樣,只不過(guò)卷積核的數(shù)量變成了64,即這層卷積會(huì)提取64種特征
w_conv2 = weight_variable([5, 5, 32, 64])#這層提取64種特征 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2)
經(jīng)過(guò)兩次步長(zhǎng)為2x2的最大池化,此時(shí)圖片尺寸變成了7x7,在使用tf.reshape函數(shù),對(duì)第二個(gè)卷積層的輸出tensor進(jìn)行變形,將其從二維轉(zhuǎn)為一維向量,在連接一個(gè)全連接層(隱含節(jié)點(diǎn)為1024),使用relu激活函數(shù)。
w_fc1 = weight_variable([7*7*64, 1024]) b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)
Dropout層:隨機(jī)丟棄一部分節(jié)點(diǎn)的數(shù)據(jù)來(lái)減輕過(guò)擬合。這里是通過(guò)一個(gè)placeholder傳入keep_prob比率來(lái)控制的。
#為了減輕過(guò)擬合,使用一個(gè)Dropout層 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層的輸出連接一個(gè)softmax層,得到最后的概率輸出 w_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2) + b_fc2)
定義損失函數(shù)即評(píng)測(cè)準(zhǔn)確率操作
#損失函數(shù),并且定義優(yōu)化器為Adam cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1])) train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
開始訓(xùn)練
#初始化所有參數(shù) tf.global_variables_initializer().run() for i in range (20000): batch = mnist.train.next_batch(50) if i%100 == 0: train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0}) print("step %d, training accuracy %g"%(i, train_accuracy)) train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
全部訓(xùn)練完成后,我們?cè)谧罱K的測(cè)試集上進(jìn)行全面的測(cè)試,得到整體的分類準(zhǔn)確率。
print("test accuracy %g" %accuracy.eval(feed_dict={ x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
這個(gè)網(wǎng)絡(luò),參與訓(xùn)練的樣本數(shù)量總共為100萬(wàn),共進(jìn)行20000次訓(xùn)練迭代,使用大小為50的mini_batch。
因?yàn)槲野惭b的版本時(shí)CPU版的tensorflow,所以運(yùn)行較慢,這個(gè)模型最終的準(zhǔn)確性約為99.2%,基本可以滿足對(duì)手寫數(shù)字識(shí)別準(zhǔn)確率的要求。
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。
- Tensorflow實(shí)現(xiàn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)及運(yùn)算時(shí)間評(píng)測(cè)
- Tensorflow卷積神經(jīng)網(wǎng)絡(luò)實(shí)例進(jìn)階
- Tensorflow卷積神經(jīng)網(wǎng)絡(luò)實(shí)例
- TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
- tensorflow實(shí)現(xiàn)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)
- tensorflow學(xué)習(xí)筆記之mnist的卷積神經(jīng)網(wǎng)絡(luò)實(shí)例
- TensorFlow深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò)CNN
- TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN
- Tensorflow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)用于人臉關(guān)鍵點(diǎn)識(shí)別
- Tensorflow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)代碼
相關(guān)文章
python中threading和queue庫(kù)實(shí)現(xiàn)多線程編程
這篇文章主要介紹了python中threading和queue庫(kù)實(shí)現(xiàn)多線程編程,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02python語(yǔ)言變量和數(shù)據(jù)類型基礎(chǔ)學(xué)習(xí)
這篇文章主要為大家介紹了python語(yǔ)言變量和數(shù)據(jù)類型基礎(chǔ)學(xué)習(xí),有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-10-10Python利用pdfplumber提取PDF文檔中的表格數(shù)據(jù)并導(dǎo)出
pdfplumber是一個(gè)功能強(qiáng)大的Python庫(kù),可以用于解析PDF文檔并提取其中的文本、表格和圖像等內(nèi)容,下面我們就來(lái)學(xué)習(xí)一下如何使用pdfplumber提取PDF表格數(shù)據(jù)吧2023-12-12Django項(xiàng)目打包完整步驟以及可能出現(xiàn)的問題
django項(xiàng)目的結(jié)構(gòu)大體上都是類似,打包主要的功能就是把一些不需要部署的文件剔除,把需要部署的文件直接壓縮打包,下面這篇文章主要給大家介紹了關(guān)于Django項(xiàng)目打包完整步驟以及可能出現(xiàn)問題的相關(guān)資料,需要的朋友可以參考下2023-06-06Python函數(shù)式編程指南(一):函數(shù)式編程概述
這篇文章主要介紹了Python函數(shù)式編程指南(一):函數(shù)式編程概述,本文講解了什么是函數(shù)式編程概述、什么是函數(shù)式編程、為什么使用函數(shù)式編程、如何辨認(rèn)函數(shù)式風(fēng)格等核心知識(shí),需要的朋友可以參考下2015-06-06對(duì)Python 內(nèi)建函數(shù)和保留字詳解
今天小編就為大家分享一篇對(duì)Python 內(nèi)建函數(shù)和保留字詳解,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-10-10