本文將使用tensorflow實現乙個簡單的卷積神經網路，使用的資料集為mnist，預期可以達到99.2%的準確率。
直接上**。
1.載入資料集。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data", one_hot=true)
# 每個批次的大小
batch_size = 100
# 計算一共有多少個批次
n_batch = mnist.train.num_examples // batch_size
# 定義神經網路模型引數初始化方法
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)
# 卷積層
def conv2d(x,w):
''':param x: input tensor of shape [batch,in_height,in_width,in_channels]
:param w: filter/kernel tensor of shape [filter_h,filter_w,in_channels,out_channels]
:return:
'''return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='same')
# 池化層
def max_pool_2x2(x):
''':param x: x代表輸入，一般池化層接在卷積層後面，所以輸入通常為feature map
ksize: 池化窗大小，一般為[1,height,width,1]
:return:
'''return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='same')
# 定義兩個placeholder
with tf.name_scope('input'):
x = tf.placeholder(tf.float32, [none, 784],name='x-input')
y = tf.placeholder(tf.float32, [none, 10],name='y-input')
# 改變x的格式，將1d的輸入向量轉為2d的結構 ，從1x784 ==> 28x28
# 格式為[batch,in_height,in_width,in_channels] ,-1代表樣本數量不固定，1代表顏色通道
x_image = tf.reshape(x,[-1,28,28,1])
# 初始化第乙個卷積層的權值和偏置
w_conv1 = weight_variable([5,5,1,32]) # 5x5的卷積核尺寸視窗，32個卷積核從1個平面提取特徵
b_conv1 = bias_variable([32]) # 每乙個卷積核乙個偏置值
# 使用conv2d函式對x_image和權值向量進行卷積操作，並加上偏置
# 再使用relu啟用函式進行非線性處理
h_conv1 = tf.nn.relu(conv2d(x_image,w_conv1) + b_conv1)
# 使用最大池化函式對卷積的輸出結果進行池化操作
h_pool1 = max_pool_2x2(h_conv1)
# 定義第二個卷積層
# 64個卷積核從32個平面抽取特徵，上層卷積有32個輸出通道，所以本層卷積的輸入通道也為32
w_conv2 = weight_variable([5,5,32,64])
b_conv2 = bias_variable([64]) # 每乙個卷積核乙個偏置值
# 使用conv2d函式對h_pool1和權值向量進行卷積操作，並加上偏置
# 再使用relu啟用函式進行非線性處理
h_conv2 = tf.nn.relu(conv2d(h_pool1,w_conv2) + b_conv2)
# 使用最大池化函式對卷積的輸出結果進行池化操作
h_pool2 = max_pool_2x2(h_conv2)
'''
28x28的第一次卷積後還是28x28，第一次池化後變為14x14
第二次卷積後是14，第二次池化後變為7x7
通過上面的操作後得到64個7x7的平面,其輸出tensor 為7x7x64
'''
# 初始化第乙個全連線層
w_fc1 = weight_variable([7*7*64,1024]) # 上一層7*7*64個神經元，全連線層1024個神經元
b_fc1 = bias_variable([1024]) # 1024個節點
# 對上面第二個卷積層的輸出tensor進行變形，轉化為1d向量
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
# 求第乙個全連線層的輸出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1) + b_fc1)
# 為了減輕過擬合，下面使用乙個dropout層
# 通過乙個placeholder傳入keep_prob比率來控制神經元的輸出概率
keep_prob = tf.placeholder(tf.float32)
# 訓練時隨機丟棄一部分節點的資料來減輕過擬合，**時則保留全部資料來追求最好的效能**
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
# 初始化第二個全連線層，將dropout層的輸出連線乙個softmax層，得到最後的概率輸出
w_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
# 計算輸出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2) + b_fc2)
# 交叉熵代價函式
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#選擇優化器進行優化
train_step = tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
# 初始化變數
init = tf.global_variables_initializer()
with tf.name_scope('accuracy'):
# 結果存放在乙個布林型列表中
with tf.name_scope('correct_prediction'):
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) # argmax返回一維張量中最大的值所在的位置
# 求準確率
with tf.name_scope('accuracy_in'):
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
with tf.session() as sess:
sess.run(init)
train_writer = tf.summary.filewriter("logs/",sess.graph)
for epoch in range(21):
for batch in range(n_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict=)
acc = sess.run(accuracy, feed_dict=)
print("iter " + str(epoch) + ",testing accuracy " + str(acc))
tensorflow實現簡單的卷積網路
import tensorflow as tf import gc from tensorflow.examples.tutorials.mnist import input data mnist input data.read data sets f zxy python mnist data o...
tensorflow學習之路 實現簡單的卷積網路
使用tensorflow實現乙個簡單的卷積神經，使用的資料集是mnist，本節將使用兩個卷積層加乙個全連線層，構建乙個簡單有代表性的卷積網路。是按照書上的敲的，第一步就是匯入資料庫，設定節點的初始值，tf.nn.conv2d是tensorflow中的2維卷積，引數x是輸入，w是卷積的引數，比如 5,...
tensorflow實戰 實現簡單的神經網路
from tensorflow.examples.tutorials.mnist import input data import tensorflow as tf mnist input data.read data sets mnist data one hot true sess tf.int...