tensorflow cnn minist

在mnist数据集上用tensorflow搭建CNN模型

import tensorflow as tf
import numpy as np

from tensorflow.examples.tutorials.mnist import input_data
import warnings
warnings.filterwarnings("ignore")

mnist = input_data.read_data_sets('mnist_data', one_hot=True)
input_x = tf.placeholder(tf.float32, [None, 28*28])/255
output_y = tf.placeholder(tf.int32, [None, 10])  # 10个数字的标签
input_x_images = tf.reshape(input_x, [-1, 28, 28, 1])
test_x = mnist.test.images[:3000]
test_y = mnist.test.labels[:3000]
print(mnist.train.images.shape)  # 可以查看数据大小
print(mnist.test.images.shape)



# 第一层卷积, 输出形状编程[-1， 28, 28, 32]
conv1 = tf.layers.conv2d(
    inputs=input_x_images,
    filters=32,   # 32个过滤器
    kernel_size=[5, 5],  # 过滤器在二维的大小
    strides=1,  # 步长为1
    padding='same',  # same表示输出大小不变，因此需要在外围补0（两圈）
    activation=tf.nn.relu  # 激活函数
)

# 池化层（亚采样），主要是采取部分数据，步长为2，经过亚采样后变为[-1，14, 14, 32]
# pooling：max_pooling和average_pooling两种
pool1 = tf.layers.max_pooling2d(
    inputs=conv1,
    pool_size=[2, 2],  # 亚采样，在2*2中取出一个最大值
    strides=2  # 步长为2
)

# 第二层卷积, 输出大小为[-1，14, 14, 64]
conv2 = tf.layers.conv2d(
    inputs=pool1,
    filters=64,   # 64个过滤器
    kernel_size=[5, 5],  # 过滤器在二维的大小
    strides=1,  # 步长为1
    padding='same',  # same表示输出大小不变，因此需要在外围补0（两圈）
    activation=tf.nn.relu  # 激活函数
)

# 第二层池化, 输出大小为[-1，7, 7, 64]
pool2 = tf.layers.max_pooling2d(
    inputs=conv2,
    pool_size=[2, 2],  # 亚采样，在2*2中取出一个最大值
    strides=2  # 步长为2
)

# 平坦化
flat = tf.reshape(pool2, [-1, 7*7*64])  # 把数据铺平，每张图片变成一个7*7*64大小的行向量

# 全连接层，1024个神经元
dense = tf.layers.dense(
    inputs=flat,
    units=1024,   # 1024个神经元
    activation="relu"
)
# dropout：丢弃部分数据,rate即为丢弃数据的百分比
dropout = tf.layers.dropout(
    inputs=dense,
    rate=0.5,  # r即为丢弃数据的百分比
    training=True
)

# 10个神经元的全连接层，这里不用激活函数来做非线性化了
logits = tf.layers.dense(
    inputs=dropout,
    units=10
)

# 计算误差(cross entropy, 再用softmax计算百分比)softmax是一种激活函数
loss = tf.losses.softmax_cross_entropy(
    onehot_labels=output_y,  # 真实标签
    logits=logits  # 神经网络的预估
)

# 用优化器来最小化误差
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

# 计算预测值和标签的正确率
accuracy = tf.metrics.accuracy(
    labels=tf.argmax(output_y, axis=1),  # axis=1表示按行最大值， axis=0表示按列最大值
    predictions=tf.argmax(logits, axis=1)
)[1]

# 创建会话
sess = tf.Session()
# 初始化变量
init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
sess.run(init)

for i in range(20000):
    batch = mnist.train.next_batch(50)  # 从train训练集里取50个样本
    train_loss, train_op_ = sess.run([loss, train_op], feed_dict={input_x: batch[0], output_y: batch[1]})
    if i%100==0:
        test_accuracy = sess.run(accuracy, {input_x:test_x, output_y:test_y})
        print("Step=%d, Train loss=%.4f, Test accuracy=%.4f"%(i, train_loss, test_accuracy))

训练结果：