tensorflow實現(xiàn)簡單的卷積神經(jīng)網(wǎng)絡(luò)
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?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2022-02-02python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2021-06-06python+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。2017-12-12Python+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