快捷導(dǎo)航

TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)

更新時(shí)間：2018年05月24日 10:57:10 作者：superman_xxx

這篇文章主要為大家詳細(xì)介紹了TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

本文實(shí)例為大家分享了TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的具體代碼，供大家參考，具體內(nèi)容如下

代碼（源代碼都有詳細(xì)的注釋）和數(shù)據(jù)集可以在github下載：

# -*- coding: utf-8 -*-
'''卷積神經(jīng)網(wǎng)絡(luò)測(cè)試MNIST數(shù)據(jù)'''

#########導(dǎo)入MNIST數(shù)據(jù)########
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

# 創(chuàng)建默認(rèn)InteractiveSession
sess = tf.InteractiveSession()


#########卷積網(wǎng)絡(luò)會(huì)有很多的權(quán)重和偏置需要?jiǎng)?chuàng)建，先定義好初始化函數(shù)以便復(fù)用########
# 給權(quán)重制造一些隨機(jī)噪聲打破完全對(duì)稱（比如截?cái)嗟恼龖B(tài)分布噪聲，標(biāo)準(zhǔn)差設(shè)為0.1）
def weight_variable(shape):
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)
# 因?yàn)槲覀円褂肦eLU，也給偏置增加一些小的正值（0.1）用來避免死亡節(jié)點(diǎn)（dead neurons）
def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)


########卷積層、池化層接下來重復(fù)使用的，分別定義創(chuàng)建函數(shù)########
# tf.nn.conv2d是TensorFlow中的2維卷積函數(shù)
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# 使用2*2的最大池化
def max_pool_2x2(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')


########正式設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)之前先定義placeholder########
# x是特征，y_是真實(shí)label。將圖片數(shù)據(jù)從1D轉(zhuǎn)為2D。使用tensor的變形函數(shù)tf.reshape
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
x_image = tf.reshape(x,[-1,28,28,1])


########設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)########
# 第一層卷積
# 卷積核尺寸為5*5,1個(gè)顏色通道，32個(gè)不同的卷積核
W_conv1 = weight_variable([5, 5, 1, 32])
# 用conv2d函數(shù)進(jìn)行卷積操作，加上偏置
b_conv1 = bias_variable([32])
# 把x_image和權(quán)值向量進(jìn)行卷積，加上偏置項(xiàng)，然后應(yīng)用ReLU激活函數(shù)，
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 對(duì)卷積的輸出結(jié)果進(jìn)行池化操作
h_pool1 = max_pool_2x2(h_conv1)

# 第二層卷積（和第一層大致相同，卷積核為64，這一層卷積會(huì)提取64種特征）
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)

# 全連接層。隱含節(jié)點(diǎn)數(shù)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)

# 為了防止過擬合，在輸出層之前加Dropout層
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# 輸出層。添加一個(gè)softmax層，就像softmax regression一樣。得到概率輸出。
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)


########模型訓(xùn)練設(shè)置########
# 定義loss function為cross entropy，優(yōu)化器使用Adam，并給予一個(gè)比較小的學(xué)習(xí)速率1e-4
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)

# 定義評(píng)測(cè)準(zhǔn)確率的操作
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)練過程########
# 初始化所有參數(shù)
tf.global_variables_initializer().run()

# 訓(xùn)練（設(shè)置訓(xùn)練時(shí)Dropout的kepp_prob比率為0.5。mini-batch為50，進(jìn)行2000次迭代訓(xùn)練，參與訓(xùn)練樣本5萬）
# 其中每進(jìn)行100次訓(xùn)練，對(duì)準(zhǔn)確率進(jìn)行一次評(píng)測(cè)keep_prob設(shè)置為1，用以實(shí)時(shí)監(jiān)測(cè)模型的性能
for i in range(1000):
 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 %.4f"%(i, train_accuracy)
 train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
# 全部訓(xùn)練完成之后，在最終測(cè)試集上進(jìn)行全面測(cè)試，得到整體的分類準(zhǔn)確率
print "卷積神經(jīng)網(wǎng)絡(luò)在MNIST數(shù)據(jù)集正確率: %g"%accuracy.eval(feed_dict={
  x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})