前一篇文章以及给出了学习tensorflow的一些入门资料，下面接着给出两个基于mnist 的例程的代码
在这里，推荐安装一个在ubuntu上的python IDE：pycharm,安装教程在我以前的一篇博文Ubuntu14.04安装与安装后的软件的安装里有提到过
或者安装一个交互式的python编程平台：jupyter notebook，这个我也有专门写过一篇文章介绍
1、mnist简单两层神经网络
数据：mnist
网络结构：
共两层：
输入层：一维向量28*28*1
输出层：一维向量10
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
"""
计算准确率
"""
def compute_accuracy(v_xs, v_ys):
# 标志y为全局变量，以便能传输近函数里
global y
# run一下y才能得到y的值
y_pre = sess.run(y, feed_dict={x:v_xs})
# 判断分类是否正确，这里的correct_prediction是一个batch_size维的bool值
correct_prediction = tf.equal(tf.argmax(y_pre, 1), tf.argmax(v_ys, 1))
# 转化为float32类型然后计算平均值作为平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float32"))
# 上面两句是描述计算accuracy的图，应该run一下才能有结果
result = sess.run(accuracy, feed_dict={x: v_xs, y: v_ys})
return result
# 计算开始时间
start = time.clock()
# 获取mnist数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#输入
x = tf.placeholder(tf.float32, [None, 784]) # 图像输入向量
y_ = tf.placeholder("float32", [None, 10]) # 标签输入向量
# 权值变量定义
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]) + 0.1)
# y是预测值（output）
y = tf.nn.softmax(tf.matmul(x, W) + b)
# 交叉熵计算
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y), reduction_indices=[1]))
# 训练网络,利用梯度下降优化器减小loss
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 启动创建的模型
with tf.Session() as sess:
# 重要,初始化所有变量
sess.run(tf.initialize_all_variables())
for i in range(20000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # batch 大小设置为100
if i % 100 == 0: # 每100次在训练集验证一次
print ("step %d, train_accuracy %g" %(i,
compute_accuracy(mnist.test.images, mnist.test.labels)))
# 计算程序结束时间
end = time.clock()
print("running time is %g s" % (end - start))
可以新建一个名为 mnist1.py 的文件，再复制粘贴，在terminal上python 一下就好
20000次的话结果应该在91.5%的准确率，可以改小些迭代次数
注意：可以在一开始要下载一个MNIST_DATA，可能需要一些时间
我上传到百度网盘上（链接: https://pan.baidu.com/s/1jHNAk0Q密码: k1tf），可以下载后放到刚刚编写的这个python文件的同一个目录下
数据：mnist
网络结构：lenet
共四层：
Conv1:[5,5,1,32]
Conv2:[5, 5, 32, 64]
Fc1:[7*7*64,1024]
Fc2:[1024,10]
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import time
import input_data
import tensorflow as tf
'''''
权重初始化
初始化为一个接近0的很小的正数
'''
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)
'''''
卷积和池化，使用卷积步长为1（stride size）,0边距（padding size）
池化用简单传统的2x2大小的模板做max pooling
'''
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1],
strides=[1,2,2,1], padding='SAME')
#计算开始时间
start = time.clock()
#MNIST数据输入
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#输入
x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量
keep_prob = tf.placeholder("float") #dropout的参数
y_ = tf.placeholder("float", [None,10]) #标签输入向量
# 权值变量定义
W = tf.Variable(tf.zeros([784,10])) #权重，初始化值为全零
b = tf.Variable(tf.zeros([10])) #偏置，初始化值为全零
#第一层卷积，由一个卷积接一个maxpooling完成，卷积在每个
#5x5的patch中算出32个特征。
#卷积的权重张量形状是[5, 5, 1, 32]，前两个维度是patch的大小，
#接着是输入的通道数目，最后是输出的通道数目。
#而对于每一个输出通道都有一个对应的偏置量。
W_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])
'''''把x变成一个4d向量，其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通道数(因为是灰度图所以这里的通道数为1，如果是rgb彩色图，则为3)。
'''
x_image = tf.reshape(x, [-1,28,28,1]) #最后一维代表通道数目，如果是rgb则为3
#x_image权重向量卷积，加上偏置项，之后应用ReLU函数，之后进行max_polling
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
#实现第二层卷积
#每个5x5的patch会得到64个特征
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)
tf.truncated_normal()
#密集连接层
'''''
图片尺寸变为7x7，加入有1024个神经元的全连接层，把池化层输出张量reshape成向量
乘上权重矩阵，加上偏置，然后进行ReLU
'''
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)
#Dropout， 用来防止过拟合 #加在输出层之前，训练过程中开启dropout，测试过程中关闭
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#输出层, 添加softmax层
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2) + b_fc2)
#训练和评估模型
'''''
ADAM优化器来做梯度最速下降,feed_dict 加入参数keep_prob控制dropout比例
'''
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv)) #计算交叉熵
#使用adam优化器来以0.0001的学习率来进行微调
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#判断预测标签和实际标签是否匹配
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
#启动创建的模型，并初始化变量
sess = tf.Session()
sess.run(tf.initialize_all_variables())
#开始训练模型，循环训练20000次
for i in range(20000):
batch = mnist.train.next_batch(50) #batch 大小设置为50
if i%100 == 0:
train_accuracy = accuracy.eval(session=sess,
feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})
print("step %d, train_accuracy %g" %(i,train_accuracy))
#神经元输出保持不变的概率 keep_prob 为0.5
train_step.run(session=sess, feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})
#神经元输出保持不变的概率 keep_prob 为 1，即不变，永远保持输出
print("test accuracy %g" %accuracy.eval(session=sess,
feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0}))
#计算程序结束时间
end = time.clock()
print("running time is %g s" %(end-start))