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)MNIST數(shù)據(jù)集實(shí)現(xiàn)示例

 更新時(shí)間:2021年11月03日 17:21:59   作者:零尾  
這篇文章主要介紹了TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集的實(shí)現(xiàn)示例的過程詳解,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

這里使用TensorFlow實(shí)現(xiàn)一個(gè)簡單的卷積神經(jīng)網(wǎng)絡(luò),使用的是MNIST數(shù)據(jù)集。網(wǎng)絡(luò)結(jié)構(gòu)為:數(shù)據(jù)輸入層–卷積層1–池化層1–卷積層2–池化層2–全連接層1–全連接層2(輸出層),這是一個(gè)簡單但非常有代表性的卷積神經(jīng)網(wǎng)絡(luò)。

import tensorflow as tf
import numpy as np
import input_data
mnist = input_data.read_data_sets('data/', one_hot=True)
print("MNIST ready")
sess = tf.InteractiveSession()
# 定義好初始化函數(shù)以便重復(fù)使用。給權(quán)重制造一些隨機(jī)噪聲來打破完全對稱,使用截?cái)嗟恼龖B(tài)分布,標(biāo)準(zhǔn)差設(shè)為0.1,
# 同時(shí)因?yàn)槭褂胷elu,也給偏執(zhí)增加一些小的正值(0.1)用來避免死亡節(jié)點(diǎn)(dead neurons)
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)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 參數(shù)分別指定了卷積核的尺寸、多少個(gè)channel、filter的個(gè)數(shù)即產(chǎn)生特征圖的個(gè)數(shù)

# 2x2最大池化,即將一個(gè)2x2的像素塊降為1x1的像素。最大池化會保留原始像素塊中灰度值最高的那一個(gè)像素,即保留最顯著的特征。
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

n_input  = 784 # 28*28的灰度圖,像素個(gè)數(shù)784
n_output = 10  # 是10分類問題

# 在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)前,先定義輸入的placeholder,x是特征,y是真實(shí)的label
x = tf.placeholder(tf.float32, [None, n_input]) 
y = tf.placeholder(tf.float32, [None, n_output]) 
x_image = tf.reshape(x, [-1, 28, 28, 1]) # 對圖像做預(yù)處理,將1D的輸入向量轉(zhuǎn)為2D的圖片結(jié)構(gòu),即1*784到28*28的結(jié)構(gòu),-1代表樣本數(shù)量不固定,1代表顏色通道數(shù)量

# 定義第一個(gè)卷積層,使用前面寫好的函數(shù)進(jìn)行參數(shù)初始化,包括weight和bias
W_conv1 = weight_variable([3, 3, 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)

# 定義第二個(gè)卷積層
W_conv2 = weight_variable([3, 3, 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)

# fc1,將兩次池化后的7*7共128個(gè)特征圖轉(zhuǎn)換為1D向量,隱含節(jié)點(diǎn)1024由自己定義
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,使用Dropout層
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# Dropout層輸出連接一個(gè)Softmax層,得到最后的概率輸出
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
pred = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #前向傳播的預(yù)測值,
print("CNN READY")

# 定義損失函數(shù)為交叉熵?fù)p失函數(shù)
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=[1]))
# 優(yōu)化器
optm = tf.train.AdamOptimizer(0.001).minimize(cost)
# 定義評測準(zhǔn)確率的操作
corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # 對比預(yù)測值的索引和真實(shí)label的索引是否一樣,一樣返回True,不一樣返回False
accuracy = tf.reduce_mean(tf.cast(corr, tf.float32))
# 初始化所有參數(shù)
tf.global_variables_initializer().run()
print("FUNCTIONS READY")

training_epochs = 1000 # 所有樣本迭代1000次
batch_size = 100 # 每進(jìn)行一次迭代選擇100個(gè)樣本
display_step = 1
for i in range(training_epochs):
    avg_cost = 0.
    total_batch = int(mnist.train.num_examples/batch_size)
    batch = mnist.train.next_batch(batch_size)
    optm.run(feed_dict={x:batch[0], y:batch[1], keep_prob:0.7})
    avg_cost += sess.run(cost, feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})/total_batch
    if i % display_step ==0: # 每10次訓(xùn)練,對準(zhǔn)確率進(jìn)行一次測試
        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})
        test_accuracy = accuracy.eval(feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_prob:1.0})
        print("step: %d  cost: %.9f  TRAIN ACCURACY: %.3f  TEST ACCURACY: %.3f" % (i, avg_cost, train_accuracy, test_accuracy))
print("DONE")

訓(xùn)練迭代1000次之后,測試分類正確率達(dá)到了98.6%

step: 999  cost: 0.000048231  TRAIN ACCURACY: 0.990  TEST ACCURACY: 0.986

在2000次的時(shí)候達(dá)到了99.1%

step: 2004  cost: 0.000042901  TRAIN ACCURACY: 0.990  TEST ACCURACY: 0.991

相比之前簡單神經(jīng)網(wǎng)絡(luò),CNN的效果明顯較好,這其中主要的性能提升都來自于更優(yōu)秀的網(wǎng)絡(luò)設(shè)計(jì),即卷積神經(jīng)網(wǎng)絡(luò)對圖像特征的提取和抽象能力。依靠卷積核的權(quán)值共享,CNN的參數(shù)量并沒有爆炸,降低計(jì)算量的同時(shí)也減輕了過擬合,因此整個(gè)模型的性能有較大的提升。

以上就是TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集實(shí)現(xiàn)示例的詳細(xì)內(nèi)容,更多關(guān)于TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集的資料請關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • 5個(gè)Python使用F-String進(jìn)行格式化的實(shí)用技巧分享

    5個(gè)Python使用F-String進(jìn)行格式化的實(shí)用技巧分享

    F-String(格式化字符串字面值)是在Python?3.6中引入的,它是一種非常強(qiáng)大且靈活的字符串格式化方法,本文總結(jié)了5個(gè)實(shí)用的F-String技巧,相信一定能讓你的代碼輸出更加的美觀,快跟隨小編一起學(xué)習(xí)起來吧
    2024-03-03
  • 對Python3 pyc 文件的使用詳解

    對Python3 pyc 文件的使用詳解

    今天小編就為大家分享一篇對Python3 pyc 文件的使用詳解,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
  • 在Python的列表中利用remove()方法刪除元素的教程

    在Python的列表中利用remove()方法刪除元素的教程

    這篇文章主要介紹了在Python的列表中利用remove()方法刪除元素的教程,是Python入門中的基礎(chǔ)知識,注意其和pop()方法的區(qū)別,需要的朋友可以參考下
    2015-05-05
  • 淺析Python與Java和C之間有哪些細(xì)微區(qū)別

    淺析Python與Java和C之間有哪些細(xì)微區(qū)別

    這篇文章主要介紹了Python與Java和C之間有哪些細(xì)微區(qū)別,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
    2022-08-08
  • Python中json.load()與json.loads()方法有什么區(qū)別詳解

    Python中json.load()與json.loads()方法有什么區(qū)別詳解

    在讀取文件時(shí)解碼python的json格式,常用到j(luò)son.loads()與json.load(),下面這篇文章主要給大家介紹了關(guān)于Python中json.load()與json.loads()方法有什么區(qū)別的相關(guān)資料,需要的朋友可以參考下
    2022-08-08
  • Python+Opencv答題卡識別用例詳解

    Python+Opencv答題卡識別用例詳解

    這篇文章主要為大家詳細(xì)介紹了Python+Opencv答題卡識別用例,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2022-01-01
  • python實(shí)現(xiàn)12306火車票查詢器

    python實(shí)現(xiàn)12306火車票查詢器

    這篇文章主要介紹了python實(shí)現(xiàn)12306火車票查詢器,需要的朋友可以參考下
    2017-04-04
  • 解決谷歌搜索技術(shù)文章時(shí)打不開網(wǎng)頁問題的python腳本

    解決谷歌搜索技術(shù)文章時(shí)打不開網(wǎng)頁問題的python腳本

    在用谷歌在搜索技術(shù)文章時(shí),總是時(shí)不時(shí)的打不開網(wǎng)頁,于是寫了一個(gè)python腳本,感覺用著還行,分享給大家
    2013-02-02
  • 利用python批量爬取百度任意類別的圖片的實(shí)現(xiàn)方法

    利用python批量爬取百度任意類別的圖片的實(shí)現(xiàn)方法

    這篇文章主要介紹了利用python批量爬取百度任意類別的圖片的實(shí)現(xiàn)方法,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
    2020-10-10
  • Python?pyecharts?Boxplot箱線圖的實(shí)現(xiàn)

    Python?pyecharts?Boxplot箱線圖的實(shí)現(xiàn)

    本文主要介紹了Python?pyecharts?Boxplot箱線圖的實(shí)現(xiàn),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
    2022-05-05

最新評論