利用Tensorflow构建CNN,步骤梳理
来源:互联网 发布:杀破狼 js 下载 编辑:程序博客网 时间:2024/06/15 16:08
利用Tensorflow构建CNN卷积神经网络,以mnist手写识别为例,步骤梳理如下:
1.定义权重函数
def weight_variable(shape): # 使用正态分布填充变量,标准差设置为0.1 initial = tf.truncated_normal(shape, stddev=0.1) #返回相应的变量 return tf.Variable(initial)
2.定义偏置函数
def bias_Variable(shape): # 定义一个常量该常量全部由0.1组成,shape由参数shape指定 initial = tf.constant(0.1, shape=shape) # 返回一个变量,变量的值由刚刚定义的常量决定 return tf.Variable(initial)
3.定义卷积层
def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
4.定义池化层
def max_pool(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
5.定义CNN网络结构
# 构建网络,由2个卷积层(包含激活层、池化层),一个全连接层,一个dropout层,一个softmax层 组成def deepnn(x): x_image = tf.reshape(x, [-1, 28, 28, 1]) W_conv1 = weight_variable([5, 5, 1, 32]) b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1)+b_conv1) h_pool1 = max_pool(h_conv1) 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(h_conv2) W_fc1 = weight_variable([7*7*64, 1024]) b_fc1 = bias_variable([1024]) # reshape成向量 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) keep_prob = tf.placeholder(tf.float32) # dropout层 h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) # softmax层 y_predict = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2)+b_fc2) return keep_prob, y_predict
6.定义损失函数、参数优化器
# 定义交叉熵函数,即我们使用的loss函数,我们的目的就是在训练过程中使得loss函数尽可能的小。cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_actual*tf.log(y_predict), reduction_indices=[1]))# 使用AdamOptimizer进行loss函数的优化。使用ADAM优化算法,它对每个权值都计算自适应的学习速率,收敛速度比一般的梯度下降法更快。train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
7.定义预测函数、准确率验证
# 定义预测函数,这里比较预测结果和实际结果的相匹配的数量correct_prediction = tf.equal(tf.argmax(y_predict, 1), tf.argmax(y_actual, 1))# 精确度计算accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
8.连接session,训练模型
sess = tf.InteractiveSession()sess.run(tf.global_variables_initializer())for i in range(20000): # 每次50张图片 batch = mnist.train.next_batch(50) # 每训练100次,验证一次 if i%100 ==0: train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob:1.0}) print 'step %d, training accuracy %g' % (i, train_acc) train_step.run(feed_dict={x:batch[0], y_actual:batch[1], keep_prob:0.5})test_acc = accuracy.eval(feed_dict={x: mnist.test.images, y_actual:mnist.test.labels, keep_prob:1.0})print "test accuracy %g" % test_acc
由于Tensorflow的后台计算是依赖于高效的C++,因此我们需要连接到后台去运行。与后台的连接称为一个session会话。也就是说,前面搭建CNN的过程其实就是先构建一个graph图,然后在session里运行它。这就像我们家里要用自来水,就必须先接好水管,然后自来水才能在水管里运行流动。
阅读全文
0 0
- 利用Tensorflow构建CNN,步骤梳理
- 利用TensorFlow实现CNN
- TensorFlow学习笔记2:构建CNN模型
- TensorFlow学习笔记2:构建CNN模型
- TensorFlow学习笔记2:构建CNN模型
- TensorFlow学习笔记2:构建CNN模型
- 利用 caffe 接口构建 CNN 网络
- 利用 caffe 接口构建 CNN 网络
- Tensorflow 构建一个多层cnn网络,附注释。
- tensorflow 构建CNN识别自己的数据(类似于MNSIT)
- 技术文章 | 用TensorFlow和TensorBoard从零开始构建ConvNet(CNN)
- 用TensorFlow和TensorBoard从零开始构建ConvNet(CNN)
- 利用 TensorFlow 高级 API Keras 实现 MLP,CNN,LSTM
- 利用keras(tensorflow) 做cnn mnist识别
- 利用 TensorFlow 高级 API Keras 实现 MLP,CNN,LSTM
- 利用keras(tensorflow) 做cnn mnist识别
- R-CNN 简单梳理
- CNN知识脉络梳理
- 浅析Android中的消息机制
- Mycat 介绍及使用
- Hibernate 查询 get load HQL SQL 面向对象
- 转发和重定向的区别
- c语言 --文件习题
- 利用Tensorflow构建CNN,步骤梳理
- PMSM控制01-在MATLAB/sinmulink仿真实现-计时器比较法输出SVPWM波形
- struct scatterlist 使用
- Apache ANT完美详解
- 解决关于低版本的easyui (1.3.1及以下)框架 select 下拉框会自动校验的问题
- python -- K最近邻算法
- SubTool 电影字幕下载程序
- 通配符的继承关系
- 在线报表设计实战系列 – ⑦制作图表类报表