Tensorflow+CIFAR-10实例讲解
来源:互联网 发布:淘宝美工设计难学吗 编辑:程序博客网 时间:2024/05/22 04:37
本人使用的环境是:TensorFlow1.1.0+python3.6+GPU
CIFAR-10:由60000张32*32的RGB彩色图片构成,共10个分类。50000张训练,10000张测试(交叉验证)
模型:CNN
载入常用库,并载入TensorFlow Models中自动下载、读取CIFAR-10数据的类
import cifar10,cifar10_inputimport tensorflow as tfimport numpy as npimport time定义batch_size、训练轮数max_steps,以及下载CIFAR-10数据的路径
max_steps = 3000batch_size = 128data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
定义初始化weight的函数,使用tf.truncated_normal截断的正态分布来初始化权重
def variable_with_weight_loss(shape, stddev, wl): var = tf.Variable(tf.truncated_normal(shape, stddev=stddev)) if wl is not None: weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss') tf.add_to_collection('losses', weight_loss) return var
def loss(logits, labels): labels = tf.cast(labels, tf.int64) cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits( logits=logits, labels=labels, name='cross_entropy_per_example') cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy') tf.add_to_collection('losses', cross_entropy_mean) return tf.add_n(tf.get_collection('losses'), name='total_loss')使用cifar10类下载数据集,并解压、展开到默认位置
cifar10.maybe_download_and_extract()使用cifar10_input类中的distorted_inputs函数产生训练需要使用的数据,包括特征及其对应的label,每次执行都会生成一个batch_size的数量的样本
images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir, batch_size=batch_size)使用cifar10_input类中的inputs函数生成测试数据
images_test, labels_test = cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size)创建输入数据的placeholder,包括特征和label
image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])label_holder = tf.placeholder(tf.int32, [batch_size])
创建第一个卷积层,5*5的卷积核,3个颜色通道,64个卷积核,设置weight初始化函数的标准差为0.05;在ReLU之后,使用一个尺寸为3*3且步长为2*2的最大池化层
weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')bias1 = tf.Variable(tf.constant(0.0, shape=[64]))conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)创建第二个卷积层,bias值全部初始化为0.1,并调换最大池化层和LRN层的顺序
weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')bias2 = tf.Variable(tf.constant(0.1, shape=[64]))conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')
第一个全连接层,对全连接层的weight进行初始化,隐含节点为384,正态分布的标准差为0.04,bias的值也初始化为0.1
reshape = tf.reshape(pool2, [batch_size, -1])dim = reshape.get_shape()[1].valueweight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)bias3 = tf.Variable(tf.constant(0.1, shape=[384]))local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)第二个全连接层,其隐含节点数下降一半,为192个,其他超参数保持不变
weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)bias4 = tf.Variable(tf.constant(0.1, shape=[192])) local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)softmax层
weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)bias5 = tf.Variable(tf.constant(0.0, shape=[10]))logits = tf.add(tf.matmul(local4, weight5), bias5)至此完成了整个网络inference的部分
接着将logits节点和label_placeholder传入loss函数获得最终的loss
loss = loss(logits, label_holder)优化器选择Adam Optimizer,学习速率设为le-3
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)求输出结果中top k的准确率,默认使用top 1
top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
创建默认的session,并初始化全部模型参数
sess = tf.InteractiveSession()tf.global_variables_initializer().run()
启动图片数据增强的线程队列(16个)
tf.train.start_queue_runners()开始训练,首先使用session的run方法执行image_train、label_train的计算,获得一个batch的训练数据,再将这个batch的数据传入train_op和loss的计算
for step in range(max_steps): start_time = time.time() image_batch,label_batch = sess.run([images_train,labels_train]) _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch, label_holder:label_batch}) duration = time.time() - start_time if step % 10 == 0: examples_per_sec = batch_size / duration sec_per_batch = float(duration) format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)') print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))评测模型在测试集上的准确率,测试集一共有10000个样本
num_examples = 10000import mathnum_iter = int(math.ceil(num_examples / batch_size))true_count = 0 total_sample_count = num_iter * batch_sizestep = 0while step < num_iter: image_batch,label_batch = sess.run([images_test,labels_test]) predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch, label_holder:label_batch}) true_count += np.sum(predictions) step += 1计算准确率的评测结果并打印
precision = true_count / total_sample_countprint('precision @ 1 = %.3f' % precision)
本人运行结果如下
另外,将迭代数修改为30000时,得到结果如下
注:缺失的Python函数可取github网站上搜索下载。
阅读全文
1 0
- Tensorflow+CIFAR-10实例讲解
- TensorFlow CIFAR-10数据集
- cifar-10 分类 tensorflow 代码
- 深度学习小白——tensorflow(四)CIFAR-10实例
- TensorFlow+MNIST实例讲解
- TensorFlow CNN 测试CIFAR-10数据集
- TensorFlow学习笔记(十): CIFAR-10
- tensorflow入门教程之CIFAR-10源代码
- TensorFlow-CNN CIFAR-10数据集 学习
- Tensorflow cifar模型源码
- Tensorflow cifar模型源码
- TensorFlow学习笔记---CNN分类CIFAR-10数据集3
- Tensorflow CIFAR-10训练例子报错解决
- CNN & Tensorflow 入门——以Cifar-10为例
- Tensorflow CIFAR-10训练例子报错解决
- tensorflow官网Cifar-10改为自己的TFRecords数据集
- TensorFlow学习——CIFAR-10(一)
- TensorFlow学习——CIFAR-10(二)代码实现
- 杭电 小希的迷宫 并查集
- #1051 : 补提交卡
- 工作流引擎Activiti学习第五天(八)--- 连线
- 这是一个开始
- Code Blocks中配置OpenGL
- Tensorflow+CIFAR-10实例讲解
- maven系列--运行mvn wildfly:deploy部署项目时报dom4j错误以及wildfly清除项目缓存的方法
- 纯CSS3实现饼状loading效果
- 十三、熵编码算法(4):H.264使用CAVLC解析宏块的残差数据
- Fiddler抓包8-打断点(bpu)
- 笔记:《人性的弱点》
- Robot Framework安装Selenium2Library
- 工作流引擎Activiti学习第五天(九)--- 排他性网关
- java学习方向及主要内容