TensorFlow实现基础CNN,两层卷积+2层全连接网络demo,代码如下,注释都有
import tensorflow
as tf
from tensorflow.examples.tutorials.mnist
import input_data
#加载数据集
mnist
=input_data.read_data_sets(
'MNIST_data',
one_hot
=
True)
#每个批次的大小
batch_size
=
50
#共有xx个批次
n_batch
=mnist.train.num_examples
//batch_size
#初始化权重
def
weight_variable(
shape):
#生成shape结构的变量,方差=0.1
initial
=tf.truncated_normal(shape,
stddev
=
0.1)
return tf.Variable(initial)
#初始化偏置
def
bias_variable(
shape):
initial
=tf.constant(
0.1,
shape
=shape)
return tf.Variable(initial)
#卷积层
def
conv2d(
x,
W):
return tf.nn.conv2d(x,W,
strides
=[
1,
1,
1,
1],
padding
=
'SAME')
#池化层
def
max_pool_2x2(
x):
return tf.nn.max_pool(x,
ksize
=[
1,
2,
2,
1],
strides
=[
1,
2,
2,
1],
padding
=
'SAME')
#定义变量等
x
=tf.placeholder(tf.float32,[
None,
784])
y
=tf.placeholder(tf.float32,[
None,
10])
#将一维的图片数据转化为2维/张
x_image
=tf.reshape(x,[
-
1,
28,
28,
1])
#开始写我们的第一层卷积层
#初始化第一层的权重,第一层的权重应该为5*5*32的,在一通道的图像上采集
#初始化第一层的偏置,第一层的偏置应与第一层卷积核数一致
#得到第一层的卷积输出,=用32个卷积核分别对其循环相乘在相加
#进行第一层的池化,池化采用2*2的卷积核,采用samepadding的方式进行池化
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)
#第2层的卷积
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)
#使用全连接神经网络进行训练
#经过第一层卷积池化之后得到14*14*32
#经过第二层卷积池化之后得到7*7*64,通道数为64
#定义神经网络,输入为7*7*64,第一层隐藏层采用1024个神经元
#初始化第一层的权重
W_nn1
=weight_variable([
7
*
7
*
64,
1024])
B_nn1
=bias_variable([
1024])
#此时将我们的输出展开为1维,以方便神经网络进行计算
h_x_flat
=tf.reshape(h_pool2,[
-
1,
7
*
7
*
64])
#进行神经网络计算,h_nn1为第一层隐藏层的输出
h_nn1
=tf.nn.relu(tf.matmul(h_x_flat,W_nn1)
+B_nn1)
#进行dropout处理
keep_props
=tf.placeholder(tf.float32)
h_nn1
=tf.nn.dropout(h_nn1,keep_props)
#第二层神经层
W_nn2
=weight_variable([
1024,
10])
B_nn2
=bias_variable([
10])
h_nn2
=tf.nn.relu(tf.matmul(h_nn1,W_nn2)
+B_nn2)
#得到神经网络的预测结果h_nn2
#定义神经网络代价函数
cross_entropy
=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
labels
=y,
logits
=h_nn2))
#定义优化器
train_step
=tf.train.AdamOptimizer(
1e-4).minimize(cross_entropy)
#预测结果和正确结果的比对
correct_prediction
=tf.equal(tf.argmax(h_nn2,
1),tf.argmax(y,
1))
#求准确率
accuracy
=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#进行循环反向传递
with tf.Session()
as sess:
sess.run(tf.global_variables_initializer())
for i
in
range(
21):
for batch
in
range(n_batch):
x_batch,y_batch
=mnist.train.next_batch(batch_size)
sess.run(train_step,
feed_dict
={x:x_batch,y:y_batch,keep_props:
0.7})
acc
=sess.run(accuracy,
feed_dict
={x:mnist.test.images,y:mnist.test.labels,keep_props:
1})
print(
'iter
{0}
, acc=
{1}
'.format(i,acc))
结果输出如下:
