免费一级毛片观看,91精品国产乱码久久久久久久久,成人高清在线

這里使用TensorFlow實現一個簡單的卷積神經網絡，使用的是MNIST數據集。網絡結構為：數據輸入層–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），這是一個簡單但非常有代表性的卷積神經網絡。

				?

									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()

									# 定義好初始化函數以便重復使用。給權重制造一些隨機噪聲來打破完全對稱，使用截斷的正態分布，標準差設為0.1，

									# 同時因為使用relu，也給偏執增加一些小的正值(0.1)用來避免死亡節點(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') # 參數分別指定了卷積核的尺寸、多少個channel、filter的個數即產生特征圖的個數

									# 2x2最大池化，即將一個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，像素個數784

									n_output = 10  # 是10分類問題

									# 在設計網絡結構前，先定義輸入的placeholder，x是特征，y是真實的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]) # 對圖像做預處理，將1D的輸入向量轉為2D的圖片結構，即1*784到28*28的結構,-1代表樣本數量不固定，1代表顏色通道數量

									# 定義第一個卷積層，使用前面寫好的函數進行參數初始化，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個特征圖轉換為1D向量，隱含節點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) #前向傳播的預測值，

									print("CNN READY")

									# 定義損失函數為交叉熵損失函數

									cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=[1]))

									# 優化器

									optm = tf.train.AdamOptimizer(0.001).minimize(cost)

									# 定義評測準確率的操作

									corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # 對比預測值的索引和真實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

									tf.global_variables_initializer().run()

									print("FUNCTIONS READY")

									training_epochs = 1000 # 所有樣本迭代1000次

									batch_size = 100 # 每進行一次迭代選擇100個樣本

									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次訓練，對準確率進行一次測試

									        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")