TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集實(shí)現(xiàn)示例
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
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
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2022-08-08Python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2022-08-08python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
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
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2020-10-10Python?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