欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

tensorflow實現(xiàn)簡單的卷積神經(jīng)網(wǎng)絡(luò)

 更新時間:2018年05月24日 10:53:26   作者:老笨妞  
這篇文章主要為大家詳細介紹了tensorflow實現(xiàn)簡單的卷積神經(jīng)網(wǎng)絡(luò),具有一定的參考價值,感興趣的小伙伴們可以參考一下

本文實例為大家分享了Android九宮格圖片展示的具體代碼,供大家參考,具體內(nèi)容如下

一.知識點總結(jié)

1.  卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)的初衷是降低對圖像的預(yù)處理,避免建立復(fù)雜的特征工程。因為卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中,自己會提取特征。

2.   靈感來自于貓的視覺皮層研究,每一個視覺神經(jīng)元只會處理一小塊區(qū)域的視覺圖像,即感知野。放到卷積神經(jīng)網(wǎng)絡(luò)里就是每一個隱含節(jié)點只與設(shè)定范圍內(nèi)的像素點相連(設(shè)定范圍就是卷積核的尺寸),而全連接層是每個像素點與每個隱含節(jié)點相連。這種感知野也稱之為局部感知。

例如,一張1000*1000的圖片,如果隱含層有100*100個隱含節(jié)點全連接,則需要1000*1000*100*100+100*100個參數(shù),而如果有10*10的范圍局部感知,用同樣多的隱含節(jié)點,只需要10*10*100*100+100*100個參數(shù)。

3.  把卷積的過程稱作卷積濾波,除了上面的局部感知,卷積濾波還有一個化簡操作——權(quán)值共享。即一個卷積濾波中的所有隱含節(jié)點與感知圖像連接的權(quán)值是一樣的,這樣,上述例子的參數(shù)減少為10*10+100*100個了。W的數(shù)量等于感知范圍的尺寸。

4.  為了抗變形和減小復(fù)雜度,卷積層同時還要做激活和池化。激活函數(shù)前一章已經(jīng)弄明白了,池化,相當于降采樣,將n*n的像素區(qū)域采樣為m*m區(qū)域,m通常小于n。通常選擇最大池化,即選擇區(qū)域內(nèi)的最大像素點。 

5.  總結(jié)來講,卷積有三個要點:局部連接、權(quán)值共享、池化降采樣。一個卷積過程包含三個步驟:卷積濾波、激活、池化。 

6.  卷積濾波中的卷積范圍可以用一個詞來代替——卷積核,卷積核等同于卷積濾波中的一個隱含節(jié)點感知范圍。由于權(quán)值共享,相當于一個卷積核對整個圖像做多次小范圍濾波,每濾一次波生成一個小的特征圖像,多次濾波后將所有小特征圖像組合起來,生成了對整個圖像的feature map。通常,一個卷積濾波過程有多個卷積核卷積,生成多張feature map。

所有的feature map都會被池化,然后輸入下一層。 

7.  需要訓(xùn)練的權(quán)值(參數(shù))的數(shù)量只和卷積核尺寸有關(guān),隱含節(jié)點(即卷積核要卷積的次數(shù))只和卷積的卷積步長、圖像尺寸有關(guān)。

個人理解,一個卷積核對整個圖像卷積的過程,就像是一個棋子,在整個棋盤上按照步長跳動,每跳動一次,對感知范圍內(nèi)的像素點做一次連接計算。 

8.  CNN在結(jié)構(gòu)上和圖像的結(jié)構(gòu)更為接近,都是2D的,因此,早期用在圖像上效果很好,但是最近,CNN用于NLP也很熱門。

二.程序解析

# coding: utf-8 
 
# In[1]: 
 
from tensorflow.examples.tutorials.mnist import input_data 
import tensorflow as tf 
mnist = input_data.read_data_sets("MNSIT_data/", one_hot=True) 
sess = tf.InteractiveSession() 
 
 
# In[2]: 
#由于W和b在各層中均要用到,先定義乘函數(shù)。 
#tf.truncated_normal:截斷正態(tài)分布,即限制范圍的正態(tài)分布 
def weight_variable(shape): 
  initial = tf.truncated_normal(shape, stddev=0.1) 
  return tf.Variable(initial) 
 
 
# In[7]: 
#bias初始化值0.1. 
def bias_variable(shape): 
  initial = tf.constant(0.1, shape=shape) 
  return tf.Variable(initial) 
 
 
# In[12]: 
#tf.nn.conv2d:二維的卷積 
#conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,data_format=None, name=None) 
#filter:A 4-D tensor of shape 
#   `[filter_height, filter_width, in_channels, out_channels]` 
#strides:步長,都是1表示所有點都不會被遺漏。1-D 4值,表示每歌dim的移動步長。 
# padding:邊界的處理方式,“SAME"、"VALID”可選 
def conv2d(x, W): 
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') 
 
#tf.nn.max_pool:最大值池化函數(shù),即求2*2區(qū)域的最大值,保留最顯著的特征。 
#max_pool(value, ksize, strides, padding, data_format="NHWC", name=None) 
#ksize:池化窗口的尺寸 
#strides:[1,2,2,1]表示橫豎方向步長為2 
def max_pool_2x2(x): 
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides = [1, 2, 2, 1], padding='SAME') 
 
 
x = tf.placeholder(tf.float32, [None, 784]) 
y_ = tf.placeholder(tf.float32, [None, 10]) 
#tf.reshape:tensor的變形函數(shù)。 
#-1:樣本數(shù)量不固定 
#28,28:新形狀的shape 
#1:顏色通道數(shù) 
x_image = tf.reshape(x, [-1, 28, 28, 1]) 
 
 
#卷積層包含三部分:卷積計算、激活、池化 
#[5,5,1,32]表示卷積核的尺寸為5×5, 顏色通道為1, 有32個卷積核 
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) 
h_pool1 = max_pool_2x2(h_conv1) 
 
 
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) 
h_pool2 = max_pool_2x2(h_conv2) 
 
 
#經(jīng)過2次2×2的池化后,圖像的尺寸變?yōu)?×7,第二個卷積層有64個卷積核,生成64類特征,因此,卷積最后輸出為7×7×64. 
#tensor進入全連接層之前,先將64張二維圖像變形為1維圖像,便于計算。 
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) 
 
 
#對全連接層做dropot 
keep_prob = tf.placeholder(tf.float32) 
h_fc1_dropout = tf.nn.dropout(h_fc1, keep_prob) 
 
 
#又一個全連接后foftmax分類 
W_fc2 = weight_variable([1024, 10]) 
b_fc2 = bias_variable([10]) 
y_conv = tf.nn.softmax(tf.matmul(h_fc1_dropout, W_fc2) + b_fc2) 
 
 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv), reduction_indices=[1])) 
#AdamOptimizer:Adam優(yōu)化函數(shù) 
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) 
 
 
 
correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
 
 
#訓(xùn)練,并且每100個batch計算一次精度 
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}) 
 
 
#在測試集上測試 
print("test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0})) 

補充一下目前三個網(wǎng)絡(luò)在mnist上的精度分別為:

無隱含層的softmax:91.5%

加入一個全連接隱含層的感知機:98.1%

此cnn:99.07%

和作者的訓(xùn)練結(jié)果有細微的差異,可能設(shè)備不同吧。

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

相關(guān)文章

  • Python全棧之模板渲染詳解

    Python全棧之模板渲染詳解

    這篇文章主要為大家詳細介紹了Python全棧之模板渲染,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下,希望能夠給你帶來幫助
    2022-02-02
  • Python?設(shè)計模式創(chuàng)建型單例模式

    Python?設(shè)計模式創(chuàng)建型單例模式

    這篇文章主要介紹了Python?設(shè)計模式創(chuàng)建型單例模式,即Singleton,單例是一種設(shè)計模式,應(yīng)用該模式的類只會生成一個實例,下文詳細介紹需要的小伙伴可以參考一下
    2022-02-02
  • python使用jenkins發(fā)送企業(yè)微信通知的實現(xiàn)

    python使用jenkins發(fā)送企業(yè)微信通知的實現(xiàn)

    公司使用的是企業(yè)微信,因此考慮Jenkins通知企業(yè)微信機器人的實現(xiàn)方式,本文主要介紹了python使用jenkins發(fā)送企業(yè)微信通知的實現(xiàn),感興趣的可以了解一下
    2021-06-06
  • Python中常見內(nèi)置函數(shù)的用法合集

    Python中常見內(nèi)置函數(shù)的用法合集

    本文將從基礎(chǔ)到高級,詳細介紹Python中常見的內(nèi)置函數(shù),通過代碼示例和中文注釋,幫助您深入理解如何在不同情景下靈活應(yīng)用這些函數(shù),需要的可以學(xué)習(xí)一下
    2023-09-09
  • python+VTK環(huán)境搭建及第一個簡單程序代碼

    python+VTK環(huán)境搭建及第一個簡單程序代碼

    這篇文章主要介紹了python+VTK環(huán)境搭建及第一個簡單程序代碼,簡單介紹了vtk,然后分享了安裝步驟,最后涉及一個簡單的代碼示例,具有一定借鑒價值,需要的朋友可以參考下。
    2017-12-12
  • Python+SimpleRNN實現(xiàn)股票預(yù)測詳解

    Python+SimpleRNN實現(xiàn)股票預(yù)測詳解

    這篇文章主要為大家詳細介紹了如何利用Python和SimpleRNN實現(xiàn)股票預(yù)測效果,文中的示例代碼講解詳細,對我們學(xué)習(xí)有一定幫助,需要的可以參考一下
    2022-05-05
  • python如何讓類支持比較運算

    python如何讓類支持比較運算

    這篇文章主要為大家詳細介紹了python如何讓類支持比較運算,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2018-03-03
  • python語言是免費還是收費的?

    python語言是免費還是收費的?

    在本篇文章里小編給大家分享的是關(guān)于python語言是否免費的相關(guān)知識點,需要的朋友們可以學(xué)習(xí)下。
    2020-06-06
  • Python包裝異常處理方法

    Python包裝異常處理方法

    這篇文章主要介紹了Python包裝異常處理方法,相比java,python的異常和java中不同,python主要是防止程序異常被中止。一旦被catch后它還行往下執(zhí)行,本文就分享python相關(guān)的異常處理方法,需要的小伙伴可以參考一下
    2022-06-06
  • Python封裝的類型與作用域的優(yōu)勢實例深究

    Python封裝的類型與作用域的優(yōu)勢實例深究

    封裝是面向?qū)ο缶幊讨械暮诵母拍?它能夠幫助程序員隱藏類的內(nèi)部細節(jié),并限制對類成員的直接訪問,本文將深入探討Python中封裝的機制,介紹封裝的類型和優(yōu)勢,并提供詳細的示例展示如何在Python中實現(xiàn)封裝
    2023-12-12

最新評論