13518219792
使用tensorflow實現(xiàn)一個簡單的卷積神經(jīng)，使用的數(shù)據(jù)集是MNIST，本節(jié)將使用兩個卷積層加一個全連接層，構(gòu)建一個簡單有代表性的卷積網(wǎng)絡。
代碼是按照書上的敲的，第一步就是導入數(shù)據(jù)庫，設置節(jié)點的初始值，Tf.nn.conv2d是tensorflow中的2維卷積，參數(shù)x是輸入，W是卷積的參數(shù)，比如【5,5,1,32】，前面兩個數(shù)字代表卷積核的尺寸，第三個數(shù)字代表有幾個通道，比如灰度圖是1，彩色圖是3.最后一個代表卷積的數(shù)量，總的實現(xiàn)代碼如下：
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNSIT_data/", one_hot=True)
sess = tf.InteractiveSession()
# In[2]:
#由于W和b在各層中均要用到，先定義乘函數(shù)。
#tf.truncated_normal：截斷正態(tài)分布，即限制范圍的正態(tài)分布
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
# In[7]:
#bias初始化值0.1.
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# In[12]:
#tf.nn.conv2d:二維的卷積
#conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,data_format=None, name=None)
#filter:A 4-D tensor of shape
# `[filter_height, filter_width, in_channels, out_channels]`
#strides:步長，都是1表示所有點都不會被遺漏。1-D 4值，表示每歌dim的移動步長。
# padding:邊界的處理方式，“SAME"、"VALID”可選
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
#tf.nn.max_pool:大值池化函數(shù)，即求2*2區(qū)域的大值，保留最顯著的特征。
#max_pool(value, ksize, strides, padding, data_format="NHWC", name=None)
#ksize:池化窗口的尺寸
#strides:[1,2,2,1]表示橫豎方向步長為2
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides = [1, 2, 2, 1], padding='SAME')
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
#tf.reshape:tensor的變形函數(shù)。
#-1：樣本數(shù)量不固定
#28,28：新形狀的shape
#1:顏色通道數(shù)
x_image = tf.reshape(x, [-1, 28, 28, 1])
#卷積層包含三部分：卷積計算、激活、池化
#[5,5,1,32]表示卷積核的尺寸為5×5, 顏色通道為1, 有32個卷積核
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)
h_pool1 = max_pool_2x2(h_conv1)
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)
#經(jīng)過2次2×2的池化后，圖像的尺寸變?yōu)?×7,第二個卷積層有64個卷積核，生成64類特征，因此，卷積最后輸出為7×7×64.
#tensor進入全連接層之前，先將64張二維圖像變形為1維圖像，便于計算。
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)
#對全連接層做dropot
keep_prob = tf.placeholder(tf.float32)
h_fc1_dropout = tf.nn.dropout(h_fc1, keep_prob)
#又一個全連接后foftmax分類
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_dropout, W_fc2) + b_fc2)
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv), reduction_indices=[1]))
#AdamOptimizer：Adam優(yōu)化函數(shù)
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#訓練，并且每100個batch計算一次精度
tf.global_variables_initializer().run()
for i in range(20000):
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})
print("step %d, training accuracy %g" %(i, train_accuracy))
train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})
#在測試集上測試
print("test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0})) 另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。
