在tensorflow中使用CNN
来源:互联网 发布:剑网三不合法的脸数据 编辑:程序博客网 时间:2024/06/06 20:26
# -*- coding: utf-8 -*-"""Created on Tue Jul 18 15:48:07 2017@author: bryan"""import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("F:\\learning\\tf\\mnist", one_hot=True)sess = tf.InteractiveSession()#创建权重和偏置,初始化时应加入轻微噪声,来打破对称性,防止零梯度的问题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)#卷积使用1 步长(stride size),0 边距(padding size)的模板,保证输出和输入是同一个大小。def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#池化用简单传统的2X2 大小的模板做max poolingdef max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2,1], padding='SAME')#第一层由一个卷积接一个max pooling 完成。卷积在每个5X5 的patch 中算出32 个特征。#权重是一个[5, 5, 1, 32]的张量,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。#输出对应一个同样大小的偏置向量。W_conv1 = weight_variable([5, 5, 1, 32])b_conv1 = bias_variable([32])#为了用这一层,我们把x变成一个4d 向量,第2、3 维对应图片的宽高,最后一维代表颜色通道。x_image = tf.reshape(x, [-1,28,28,1])#把x_image和权值向量进行卷积相乘,加上偏置,使用ReLU激活函数,最后maxpoolingh_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)h_pool1 = max_pool_2x2(h_conv1)#为了构建一个更深的网络,把几个类似的层堆叠起来。第二层中,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)#现在,图片降维到7x7,加入一个有1024 个神经元的全连接层,用于处理整个图片。#我们把池化层输出的张量reshape 成一些向量,乘上权重矩阵,加上偏置,使用ReLU 激活。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)#为了减少过拟合,我们在输出层之前加入dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)#最后,我们添加一个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)#使用交叉熵作为评估指标cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)correct_prediction = tf.equal(tf.argmax(y_conv ,1), tf.argmax(y_,1))accuracy = tf.reduce_mean(tf.cast(correct_prediction , "float"))sess.run(tf.initialize_all_variables()) 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}) print( "test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))#使用CNN在mnist数据集上有99%的分类正确率
阅读全文
0 0
- 在tensorflow中使用CNN
- Tensorflow中mnist数据使用CNN训练
- 在TensorFlow中实现文本分类的CNN
- CNN在TensorFlow框架实现
- 【TensorFlow】MNIST(使用CNN)
- tensorflow中CNN对mnist识别
- MINST数据TensorFlow中CNN测试
- tensorflow使用CNN做文本分类
- windows下使用tensorflow简单实现CNN
- tensorflow中mnist 使用cnn模型训练的输出层数为7x7的原因
- 如何在Jupyter Notebook中使用Tensorflow
- 在Jupyter Notebook 中使用 Tensorflow
- 如何在Jupyter Notebook中使用Tensorflow
- pooing在CNN框架中
- TensorFlow在MNIST中的应用-卷积神经网络CNN
- TensorFlow中cnn-cifar10样例代码详解
- TensorFlow中cnn-cifar10样例输入部分代码详解
- TensorFlow中cnn-cifar10样例部分代码详解
- android studio 导入自己编译的Framework.jar的方法
- java中 flush()方法
- 关于 Android NumberPicker 的两个问题
- having 与where的区别
- 函数的学习
- 在tensorflow中使用CNN
- C++小技巧汇总
- PHP设计模式(一)单例模式
- opencv实现拉普拉斯锐化的总结
- Deep Learning(深度学习)学习笔记整理系列之(四)
- Intellij IDEA 2017.1.5 安装详细图解与注册方法
- Android -- Activity官方文档简译
- Android Material Design 之 TextInputLayout
- JAVA之设置背景图片的几种方法