欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Tensorflow卷積神經(jīng)網(wǎng)絡(luò)實(shí)例

 更新時(shí)間:2018年05月24日 11:28:01   作者:蚊子愛牛牛  
這篇文章主要為大家詳細(xì)介紹了Tensorflow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

CNN最大的特點(diǎn)在于卷積的權(quán)值共享結(jié)構(gòu),可以大幅減少神經(jīng)網(wǎng)絡(luò)的參數(shù)量,防止過擬合的同時(shí)又降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度。在CNN中,第一個(gè)卷積層會直接接受圖像像素級的輸入,每一個(gè)卷積操作只處理一小塊圖像,進(jìn)行卷積變化后再傳到后面的網(wǎng)絡(luò),每一層卷積都會提取數(shù)據(jù)中最有效的特征。這種方法可以提取到圖像中最基礎(chǔ)的特征,比如不同方向的邊或者拐角,而后再進(jìn)行組合和抽象形成更高階的特征。

一般的卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)卷積層構(gòu)成,每個(gè)卷積層中通常會進(jìn)行如下幾個(gè)操作:

  • 圖像通過多個(gè)不同的卷積核的濾波,并加偏置(bias),特取出局部特征,每個(gè)卷積核會映射出一個(gè)新的2D圖像。
  • 將前面卷積核的濾波輸出結(jié)果,進(jìn)行非線性的激活函數(shù)處理。目前最常見的是使用ReLU函數(shù),而以前Sigmoid函數(shù)用得比較多。
  • 對激活函數(shù)的結(jié)果再進(jìn)行池化操作(即降采樣,比如將2*2的圖片將為1*1的圖片),目前一般是使用最大池化,保留最顯著的特征,并提升模型的畸變?nèi)萑棠芰Α?br />

總結(jié)一下,CNN的要點(diǎn)是局部連接(local Connection)、權(quán)值共享(Weight Sharing)和池化層(Pooling)中的降采樣(Down-Sampling)。

本文將使用Tensorflow實(shí)現(xiàn)一個(gè)簡單的卷積神經(jīng)網(wǎng)絡(luò),使用的數(shù)據(jù)集是MNIST,網(wǎng)絡(luò)結(jié)構(gòu):兩個(gè)卷積層加一個(gè)全連接層。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

# 載入MNIST數(shù)據(jù)集,并創(chuàng)建默認(rèn)的Interactive Session。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession()

# 創(chuàng)建權(quán)重和偏置,以便重復(fù)使用。我們需要給權(quán)重制造一些隨機(jī)的噪聲來打破完全對稱,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)

def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)

# 創(chuàng)建卷積層、池化層,以便重復(fù)使用
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# 定義輸入的placeholder
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 定義第一個(gè)卷積層
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(h_conv1)

# 定義第二個(gè)卷積層
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)
h_pool2 = max_pool(h_conv2)

# 定義全連接層。由于第二個(gè)卷積層輸出的tensor是7*7*64,我們使用tf.reshape函數(shù)對其進(jìn)行變形
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)

# 為了減輕過擬合,下面使用一個(gè)Dropout層。通過一個(gè)placeholder傳入keep_prob比率來控制的。在訓(xùn)練時(shí),我們隨機(jī)丟棄一部分節(jié)點(diǎn)
# 的數(shù)據(jù)來減輕過擬合,預(yù)測時(shí)則保留全部數(shù)據(jù)來追求最好的預(yù)測性能。
keep_prob = tf.placeholder(dtype=tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# 最后我們將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)為cross entropy和優(yōu)化器
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)

# 定義評測準(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))

# 下面開始訓(xùn)練
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})

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

# 載入MNIST數(shù)據(jù)集,并創(chuàng)建默認(rèn)的Interactive Session。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession()

# 創(chuàng)建權(quán)重和偏置,以便重復(fù)使用。我們需要給權(quán)重制造一些隨機(jī)的噪聲來打破完全對稱,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)

def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)

# 創(chuàng)建卷積層、池化層,以便重復(fù)使用
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# 定義輸入的placeholder
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
x_image = tf.reshape(x, [-1, 28, 28, 1])

# 定義第一個(gè)卷積層
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(h_conv1)

# 定義第二個(gè)卷積層
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)
h_pool2 = max_pool(h_conv2)

# 定義全連接層。由于第二個(gè)卷積層輸出的tensor是7*7*64,我們使用tf.reshape函數(shù)對其進(jìn)行變形
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)

# 為了減輕過擬合,下面使用一個(gè)Dropout層。通過一個(gè)placeholder傳入keep_prob比率來控制的。在訓(xùn)練時(shí),我們隨機(jī)丟棄一部分節(jié)點(diǎn)
# 的數(shù)據(jù)來減輕過擬合,預(yù)測時(shí)則保留全部數(shù)據(jù)來追求最好的預(yù)測性能。
keep_prob = tf.placeholder(dtype=tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# 最后我們將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)為cross entropy和優(yōu)化器
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)

# 定義評測準(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))

# 下面開始訓(xùn)練
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})

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

運(yùn)行結(jié)果:

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全局變量global關(guān)鍵字詳解

    Python全局變量global關(guān)鍵字詳解

    這篇文章主要介紹了Python全局變量global關(guān)鍵字詳解,需要的朋友可以參考下
    2021-04-04
  • python判斷單向鏈表是否包括環(huán),若包含則計(jì)算環(huán)入口的節(jié)點(diǎn)實(shí)例分析

    python判斷單向鏈表是否包括環(huán),若包含則計(jì)算環(huán)入口的節(jié)點(diǎn)實(shí)例分析

    這篇文章主要介紹了python判斷單向鏈表是否包括環(huán),若包含則計(jì)算環(huán)入口的節(jié)點(diǎn),結(jié)合實(shí)例形式分析了Python針對單向鏈表的遍歷、判斷相關(guān)算法原理與使用技巧,需要的朋友可以參考下
    2019-10-10
  • Python 腳本獲取ES 存儲容量的實(shí)例

    Python 腳本獲取ES 存儲容量的實(shí)例

    今天小編就為大家分享一篇Python 腳本獲取ES 存儲容量的實(shí)例,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-12-12
  • python+django+selenium搭建簡易自動化測試

    python+django+selenium搭建簡易自動化測試

    這篇文章主要介紹了python+django+selenium搭建簡易自動化測試,文中通過示例代碼介紹的非常詳細(xì),對大家的學(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一起學(xué)習(xí)學(xué)習(xí)吧
    2020-08-08
  • Python count()函數(shù)實(shí)例詳解

    Python count()函數(shù)實(shí)例詳解

    count() 是Python的內(nèi)置函數(shù),可以「統(tǒng)計(jì)」字符串里指定「字符」或指定字符串出現(xiàn)的「次數(shù)」,這篇文章主要介紹了Python count()函數(shù)詳解,需要的朋友可以參考下
    2023-07-07
  • 關(guān)于python中逆序的三位數(shù)

    關(guān)于python中逆序的三位數(shù)

    這篇文章主要介紹了關(guān)于python中逆序的三位數(shù),具有很好的參考價(jià)值,希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-05-05
  • python使用正則表達(dá)式匹配txt特定字符串(有換行)

    python使用正則表達(dá)式匹配txt特定字符串(有換行)

    這篇文章主要給大家介紹了關(guān)于python使用正則表達(dá)式匹配txt特定字符串的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對大家的學(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一起學(xué)習(xí)學(xué)習(xí)吧
    2020-12-12
  • python使用minimize()?函數(shù)替代matlab的fmincon函數(shù)

    python使用minimize()?函數(shù)替代matlab的fmincon函數(shù)

    這篇文章主要介紹了python使用minimize()函數(shù)替代matlab的fmincon函數(shù),在matlab中,fmincon函數(shù)可以用于求解帶約束的非線性多變量函數(shù)的最小值,即可以用來求解非線性規(guī)劃問題
    2022-09-09
  • Matplotlib學(xué)習(xí)筆記之plt.xticks()用法

    Matplotlib學(xué)習(xí)筆記之plt.xticks()用法

    在matplotlib中ticks表示的是刻度,而刻度有兩層意思,一個(gè)是刻標(biāo)(locs),一個(gè)是刻度標(biāo)簽(tick?labels),下面這篇文章主要給大家介紹了關(guān)于Matplotlib學(xué)習(xí)筆記之plt.xticks()用法的相關(guān)資料,需要的朋友可以參考下
    2022-09-09
  • 對Python3 goto 語句的使用方法詳解

    對Python3 goto 語句的使用方法詳解

    今天小編就為大家分享一篇對Python3 goto 語句的使用方法詳解,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-02-02

最新評論