TensorFlow框架之使用卷积神经网络优化MNIST

使用卷积神经网络来优化MNIST，下面从四部分开始叙述

1、下载并加载数据

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(‘MNIST_data’, one_hot=True)
import tensorflow as tf

这里，我们使用更加方便的InteractiveSession类。通过它，你可以更加灵活地构建你的代码。它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。如果你没有使用InteractiveSession，那么你需要在启动session之前构建整个计算图，然后启动该计算图。

sess = tf.InteractiveSession

2、定义四个函数，分别用于初始化权值w和偏置项b,构建卷积层和池化层

truncated_normal函数使得W呈正态分布，标准差为0.1。初始化b为0.1。

定义一个函数，用于初始化所有的权值w
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
定义一个函数，用于初始化所有的偏置项b
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)

定义卷积层步数(stride size)为1，并且周围边距(padding)补0。池化层采用kernel大小为2*2，步数也为2，周围补0。保证输出和输入是同一个大小。
池化用简单传统的2x2大小的模板做max pooling。为了代码更简洁，我们把这部分抽象成一个函数。

定义一个函数，用于构建卷积层
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding=’SAME’)
定义一个函数，用于构建池化层
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding=’SAME’)

3、构建网络.整个网络由两个卷积层(包含激活层和池化层)，一个全连接层，一个dropout层和一个softmax层组成

输入数据占位符和标签占位符

x = tf.placeholder(“float”, [None, 784])
y_ = tf.placeholder(“float”, [None, 10])

第一层:由一个卷积接一个max pooling完成，在5*5的patch中算出32个特征即32个滤波器。卷积的权重张量形状是[5,5,1,32]，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。每一个输出通道都有一个对应的偏置量

x_image = tf.reshape(x, [-1,28,28,1])
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

将x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行maxpooling

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

第二层：每个5*5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)

片尺寸减小到7x7，我们加入一个有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，然后对其使用ReLU。

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)

dropout

keep_prob = tf.placeholder(“float”)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

softmax

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)

4、网络结构建好之后就可以开始训练了

交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
梯度下降法
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
精确度计算
accuracy = tf.reduce_mean(tf.cast(correct_prediction, “double”))
sess.run(tf.initialize_all_variables())
for i in range(20000):
batch = mnist.train.next_batch(50)
训练100次，验证一次
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 %f”%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print (“test accuracy %f”%accuracy.eval(feed_dict={ x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))