mnist的卷積神經(jīng)網(wǎng)絡(luò)例子和上一篇博文中的神經(jīng)網(wǎng)絡(luò)例子大部分是相同的。但是CNN層數(shù)要多一些，網(wǎng)絡(luò)模型需要自己來構(gòu)建。
程序比較復(fù)雜，我就分成幾個部分來敘述。
首先，下載并加載數(shù)據(jù)：
|
1
2
3
4
5
|
import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #下載并加載mnist數(shù)據(jù)x = tf.placeholder(tf.float32, [None, 784]) #輸入的數(shù)據(jù)占位符y_actual = tf.placeholder(tf.float32, shape=[None, 10]) #輸入的標簽占位符 |
定義四個函數(shù)，分別用于初始化權(quán)值W，初始化偏置項b, 構(gòu)建卷積層和構(gòu)建池化層。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#定義一個函數(shù)，用于初始化所有的權(quán)值 Wdef weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)#定義一個函數(shù)，用于初始化所有的偏置項 bdef bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #定義一個函數(shù)，用于構(gòu)建卷積層def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#定義一個函數(shù)，用于構(gòu)建池化層def max_pool(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME') |
接下來構(gòu)建網(wǎng)絡(luò)。整個網(wǎng)絡(luò)由兩個卷積層（包含激活層和池化層），一個全連接層，一個dropout層和一個softmax層組成。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
#構(gòu)建網(wǎng)絡(luò)x_image = tf.reshape(x, [-1,28,28,1]) #轉(zhuǎn)換輸入數(shù)據(jù)shape,以便于用于網(wǎng)絡(luò)中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) #第一個卷積層h_pool1 = max_pool(h_conv1) #第一個池化層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) #第二個卷積層h_pool2 = max_pool(h_conv2) #第二個池化層W_fc1 = weight_variable([7 * 7 * 64, 1024])b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #reshape成向量h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #第一個全連接層keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #softmax層 |
網(wǎng)絡(luò)構(gòu)建好后，就可以開始訓(xùn)練了。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy) #梯度下降法correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #精確度計算sess=tf.InteractiveSession() sess.run(tf.initialize_all_variables())for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: #訓(xùn)練100次，驗證一次 train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0}) print 'step %d, training accuracy %g'%(i,train_acc) train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})print "test accuracy %g"%test_acc |
Tensorflow依賴于一個高效的C++后端來進行計算。與后端的這個連接叫做session。一般而言，使用TensorFlow程序的流程是先創(chuàng)建一個圖，然后在session中啟動它。
這里，我們使用更加方便的InteractiveSession類。通過它，你可以更加靈活地構(gòu)建你的代碼。它能讓你在運行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構(gòu)成的。這對于工作在交互式環(huán)境中的人們來說非常便利，比如使用IPython。
訓(xùn)練20000次后，再進行測試，測試精度可以達到99%。
完整代碼：
|
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
|
# -*- coding: utf-8 -*-"""Created on Thu Sep 8 15:29:48 2016@author: root"""import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #下載并加載mnist數(shù)據(jù)x = tf.placeholder(tf.float32, [None, 784]) #輸入的數(shù)據(jù)占位符y_actual = tf.placeholder(tf.float32, shape=[None, 10]) #輸入的標簽占位符#定義一個函數(shù)，用于初始化所有的權(quán)值 Wdef weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)#定義一個函數(shù)，用于初始化所有的偏置項 bdef bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #定義一個函數(shù)，用于構(gòu)建卷積層def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#定義一個函數(shù)，用于構(gòu)建池化層def max_pool(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')#構(gòu)建網(wǎng)絡(luò)x_image = tf.reshape(x, [-1,28,28,1]) #轉(zhuǎn)換輸入數(shù)據(jù)shape,以便于用于網(wǎng)絡(luò)中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) #第一個卷積層h_pool1 = max_pool(h_conv1) #第一個池化層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) #第二個卷積層h_pool2 = max_pool(h_conv2) #第二個池化層W_fc1 = weight_variable([7 * 7 * 64, 1024])b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #reshape成向量h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #第一個全連接層keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #softmax層cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy) #梯度下降法correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #精確度計算sess=tf.InteractiveSession() sess.run(tf.initialize_all_variables())for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: #訓(xùn)練100次，驗證一次 train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0}) print('step',i,'training accuracy',train_acc) train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})print("test accuracy",test_acc) |
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服務(wù)器之家。
原文鏈接：http://www.cnblogs.com/denny402/p/5853538.html
