python tensorflow 基于cnn实现手写数字识别
来源:互联网 发布:建筑作品集排版 知乎 编辑:程序博客网 时间:2024/04/26 04:15
感觉刚才的代码不够给力,所以再保存一份基于cnn的手写数字自识别的代码
# -*- coding: utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 加载数据集mnist = input_data.read_data_sets('MNIST_data', one_hot=True)# 以交互式方式启动session# 如果不使用交互式session,则在启动session前必须# 构建整个计算图,才能启动该计算图sess = tf.InteractiveSession()"""构建计算图"""# 通过占位符来为输入图像和目标输出类别创建节点# shape参数是可选的,有了它tensorflow可以自动捕获维度不一致导致的错误x = tf.placeholder("float", shape=[None, 784]) # 原始输入y_ = tf.placeholder("float", shape=[None, 10]) # 目标值# 为了不在建立模型的时候反复做初始化操作,# 我们定义两个函数用于初始化def weight_variable(shape): # 截尾正态分布,stddev是正态分布的标准偏差 initial = tf.truncated_normal(shape=shape, stddev=0.1) return tf.Variable(initial)def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)# 卷积核池化,步长为1,0边距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"""# 由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征,是因为使用32个滤波器进行卷积# 卷积的权重张量形状是[5, 5, 1, 32],1是输入通道的个数,32是输出通道个数W_conv1 = weight_variable([5, 5, 1, 32])# 每一个输出通道都有一个偏置量b_conv1 = bias_variable([32])# 位了使用卷积,必须将输入转换成4维向量,2、3维表示图片的宽、高# 最后一维表示图片的颜色通道(因为是灰度图像所以通道数维1,RGB图像通道数为3)x_image = tf.reshape(x, [-1, 28, 28, 1])# 第一层的卷积结果,使用Relu作为激活函数h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))# 第一层卷积后的池化结果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)"""全连接层"""# 图片尺寸减小到7*7,加入一个有1024个神经元的全连接层W_fc1 = weight_variable([7*7*64, 1024])b_fc1 = bias_variable([1024])# 将最后的池化层输出张量reshape成一维向量h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])# 全连接层的输出h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)"""使用Dropout减少过拟合"""# 使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率# 在训练的过程中启用dropout,在测试过程中关闭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])# 模型预测输出y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)# 交叉熵损失cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))# 模型训练,使用AdamOptimizer来做梯度最速下降train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)# 正确预测,得到True或False的Listcorrect_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))# 将布尔值转化成浮点数,取平均值作为精确度accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))# 在session中先初始化变量才能在session中调用sess.run(tf.global_variables_initializer())# 迭代优化模型for i in range(2000): # 每次取50个样本进行训练 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}) # 模型中间不使用dropout 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}))
做了2000次迭代,在测试集上的识别精度能够到0.9772……
阅读全文
0 0
- python tensorflow 基于cnn实现手写数字识别
- TensorFlow学习-基于CNN实现手写数字识别
- 用Tensorflow实现CNN手写数字识别
- tensorflow实现CNN识别手写数字
- Tensorflow - Tutorial (4) :基于CNN的手写数字识别
- [052]TensorFlow Layers指南:基于CNN的手写数字识别
- cnn实现手写数字识别
- tensorflow进行MNIST手写数字识别-CNN
- TensorFlow实现识别手写数字
- Python(TensorFlow框架)实现手写数字识别系统
- python tensorflow 使用minist数据集实现手写数字识别
- cnn 识别手写数字的实现
- CNN实现MNIST手写数字识别
- CNN 手写数字识别
- 基于tensorflow的MNIST手写数字识别
- 基于tensorflow的MNIST手写数字识别
- 基于Tensorflow的android手写数字识别
- Deep Learning-TensorFlow (1) CNN卷积神经网络_MNIST手写数字识别代码实现
- 修改Oracle 11gR2 RAC SCAN监听和本地监听端口
- Paxos算法细节详解(一)--通过现实世界描述算法
- expected_conditions的方法汇集
- Python入门编程小程序-猜数字游戏
- kubernetes社区项目生态概览
- python tensorflow 基于cnn实现手写数字识别
- 欢迎使用CSDN-markdown编辑器
- JVM内存模型
- Android长连接,怎么处理心跳机制
- okio读写流源码详解(第一篇(缓存BufferedSink 写入流程详解))
- mysql主从复制GTID binglog 多源复制 多线程复制
- 人月神话读后感(一)
- SSM框架
- PHP 传值和传引用、传地址的区别