一份基于cnn的手寫數字自識別的代碼，供大家參考，具體內容如下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
|
# -*- coding: utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 加載數據集mnist = input_data.read_data_sets('MNIST_data', one_hot=True)# 以交互式方式啟動session# 如果不使用交互式session，則在啟動session前必須# 構建整個計算圖，才能啟動該計算圖sess = tf.InteractiveSession()"""構建計算圖"""# 通過占位符來為輸入圖像和目標輸出類別創建節點# shape參數是可選的，有了它tensorflow可以自動捕獲維度不一致導致的錯誤x = tf.placeholder("float", shape=[None, 784]) # 原始輸入y_ = tf.placeholder("float", shape=[None, 10]) # 目標值# 為了不在建立模型的時候反復做初始化操作，# 我們定義兩個函數用于初始化def weight_variable(shape): # 截尾正態分布,stddev是正態分布的標準偏差 initial = tf.truncated_normal(shape=shape, stddev=0.1) return tf.Variable(initial)def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)# 卷積核池化,步長為1,0邊距def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')"""第一層卷積"""# 由一個卷積和一個最大池化組成。濾波器5x5中算出32個特征，是因為使用32個濾波器進行卷積# 卷積的權重張量形狀是[5, 5, 1, 32],1是輸入通道的個數，32是輸出通道個數W_conv1 = weight_variable([5, 5, 1, 32])# 每一個輸出通道都有一個偏置量b_conv1 = bias_variable([32])# 位了使用卷積，必須將輸入轉換成4維向量，2、3維表示圖片的寬、高# 最后一維表示圖片的顏色通道（因為是灰度圖像所以通道數維1，RGB圖像通道數為3）x_image = tf.reshape(x, [-1, 28, 28, 1])# 第一層的卷積結果,使用Relu作為激活函數h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))# 第一層卷積后的池化結果h_pool1 = max_pool_2x2(h_conv1)"""第二層卷積"""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"""# 圖片尺寸減小到7*7，加入一個有1024個神經元的全連接層W_fc1 = weight_variable([7*7*64, 1024])b_fc1 = bias_variable([1024])# 將最后的池化層輸出張量reshape成一維向量h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])# 全連接層的輸出h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)"""使用Dropout減少過擬合"""# 使用placeholder占位符來表示神經元的輸出在dropout中保持不變的概率# 在訓練的過程中啟用dropout，在測試過程中關閉dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)"""輸出層"""W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])# 模型預測輸出y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)# 交叉熵損失cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))# 模型訓練,使用AdamOptimizer來做梯度最速下降train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)# 正確預測,得到True或False的Listcorrect_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))# 將布爾值轉化成浮點數，取平均值作為精確度accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))# 在session中先初始化變量才能在session中調用sess.run(tf.global_variables_initializer())# 迭代優化模型for i in range(2000): # 每次取50個樣本進行訓練 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}) # 模型中間不使用dropout 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})) |
做了2000次迭代，在測試集上的識別精度能夠到0.9772……
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：http://blog.csdn.net/LN_IOS/article/details/77966232
