Learning Tensorflow (5)
来源:互联网 发布:乐视手机怎么改mac 编辑:程序博客网 时间:2024/06/05 23:37
前节训练了一个简单的 softmax回归 的模型,并且增加了迭代次数以及更换了一下损失函数做了对比参照,这节来训练一个复杂点的模型 卷积神经网络,当然也仅仅是引用和改进一下官网的例子(谁让我是菜鸟呢~呜呜),才被某“算法大神”明确指出我算法太垃圾,连入门的算不上,(可怜的我内心受到了一万点伤害。。。),所以要更加要努力学习才能入 大神 的法眼。(其实此刻我的内心是不服气的,呼呼~~),往往有部分 大神 在自己擅长的领域有点小建树时会得意忘形,觉得能出成绩是自我天赋资质好,小白愚笨就该被我教育。话说自己有时候也会时不时在自己擅长的领域下有这种心理出现(心魔好可怕~),因此要随时告诫自己保持初心,谦虚修行。
不吐槽了,说正事,来训练一个 CNN 吧
# 加载数据import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
官方准备了数据脚本,可以下载脚本来加载数据,但是需要修改一下脚本当中的名为_read32的函数,在返回语句后添加一个[0],至于为什么,我没深究,至少在我机器上这样操作脚本加载数据成功了,到达了我的目的就行,世界有太多的为什么,每个都要深究的话,我觉得我的大脑是经不住烧的。
import tensorflow as tf# 训练X数据集占位符x = tf.placeholder("float", [None, 784])# 训练y占位符y_ = tf.placeholder("float", [None, 10])# 初始化权重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)# 卷积池化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')# 第一层卷积W_conv1 = weight_variable([5, 5, 1, 32])b_conv1 = bias_variable([32])x_image = tf.reshape(x, [-1,28,28,1])h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)h_pool1 = max_pool_2x2(h_conv1)# 第二层卷积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)# 密集连接层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)# dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# 输出层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)# 训练模型与模型评估cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))sum_of_square = tf.reduce_sum(tf.pow((y_conv - y_) , 2))train_step = tf.train.AdamOptimizer(1e-4).minimize(sum_of_square)correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))sess = tf.InteractiveSession()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})
这里与之前模型不同的地方就是多了两层卷积,一个密集连接层和一个dropout,至于为什么要这样处理,参考 CNN 的原理。
上述代码就完整的训练出了一个 CNN 模型,最终测试,确实有 99.2% 的准确率(官网木有骗人),看到比较高的准确率,就想刷新一下 kaggle 上手写识别的排名(虽然具体没啥卵用,只是满足一下小小的虚荣心,话说虚荣心也是学习的动力呐!)。那么就需要用训练好的模型来预测一下从 kaggle下载的测试集,测试集可以从 kaggle 上下载,把预测的结果按提交格式要求保存成一个csv文件即可,代码如下:
import numpy as npimport pandas as pd# 加载测试集到内存中test_data = np.loadtxt('test.csv', dtype="float32", delimiter=",")# 得到预测数据pred = sess.run(tf.argmax(y_conv, 1), feed_dict={x: test_data, keep_prob: 1.0})# 构建预测结果数据框并保存至result.csv文件中pred_data = pd.DataFrame({"ImageId": range(1, len(pred) + 1), "label": pred})pred_data.to_csv('result.csv', index=False, sep=',')
这里在对测试集进行预测时占用了我机器大量的内存,我 8G 内存被占的满满的,不知道什么道理,测试集数据量确实比官网下载的数据当中的测试集多了一倍还多(官网是10000行,我这里是28000),我姑且初步断定是数据量较大的原因。
当我自信满满的提交结果时,果然不出我所料,秀一下我的成果。
99.8% 的准确率,果然没有对比就没有伤害,之前我用 R语言 的 h2o 包来做神经网络的预测模型,每次训练就要花好几个小时,甚至一整天,但是始终也只有 98% (也许是我不会调参,但是每次训练都那么久,调试也费劲),这里使用 tensorflow 马上到达了 99.8% ,(实力吹捧一下!),套用一句: tensorflow 果然名不虚传!
- Learning Tensorflow (5)
- learning tensorflow
- deep learning on tensorflow
- Tensorflow Learning note1
- Learning Tensorflow (1)
- Learning Tensorflow (2)
- Learning Tensorflow (3)
- Learning Tensorflow (4)
- Notes on learning tensorflow
- Deep Learning algorithms with TensorFlow
- TensorFlow-3-TensorBoard: Visualizing Learning
- 【Tensorflow slim】slim learning包
- 【Deep Learning】Tensorflow MNIST测试
- TensorFlow学习笔记9----TensorFlow Wide & Deep Learning Tutorial
- Deep Learning-TensorFlow (5) CNN卷积神经网络_CIFAR-10进阶图像分类模型(下)
- tensorflow线性模型以及Wide deep learning
- tensorflow线性模型以及Wide deep learning
- 学习笔记:TensorFlow Wide & Deep Learning Tutorial
- python获取文本网页
- css3 加载loading图标实现
- Python正则表达式
- Flink编程模型
- PHP编译安装常见错误
- Learning Tensorflow (5)
- linux设置网络network configuration
- 什么是Docker镜像、容器和仓库?
- Java基础之字符串
- 常用 Shell 命令
- PHPWAMP如何开启SSL,Apache下如何安装ssl证书?PHPWAMP配置ssl证书其实很简单
- 剑指offer(15)—反转链表
- VMware vSphere Web Services SDK编程指南(八)- 8.6 通过 SessionManager 认证用户
- 剑指offer(16)—合并两个排序的链表