tensorflow识别手写数字(2)
来源:互联网 发布:外贸数据应用 编辑:程序博客网 时间:2024/05/23 15:06
TensorFlow 擅长大规模的计算图模型,它的特长之一就是训练深度神经网络,这篇教程将会使用TensorFlow 构建一个CNN来识别MNIST.
建立CNN
在之前的softmax中我们的准确率只有92%左右,在这里我们使用一个简单的CNN将会把准确率提升至99.2%。
权重初始化
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)
卷积和池化
TensorFlow同样提供了方便的卷积和池化计算。怎样处理边界元素?怎样设置卷积窗口大小?在这个例子中,我们始终使用vanilla
版本。这里的卷积操作仅使用了滑动步长为1的窗口,使用0进行填充,所以输出规模和输入的一致;而池化操作是在2 * 2的窗口内采用最大池化技术(max-pooling)。
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')
第一个卷积层
这一层包括一个卷积层和一个最大池化层,对每一个5*5图像都将其卷积为32个特征,它的weight tensor形状为[5,5,1,32]
[5,5]
代表patch大小,[1]
代表输入维度,[32]
代表输出维度。
W_conv1 = weight_variable([5, 5, 1, 32])b_conv1 = bias_variable([32])
同时要把x转化为4维的tensor,第2,3维为原来的长和宽,第四维为色彩数。
x_image = tf.reshape(x, [-1,28,28,1])
接下来实施卷积和池化:
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)h_pool1 = max_pool_2x2(h_conv1)
第二个卷积层
对每个5*5的patch有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)
全连接层
这时图片已经变成7*7大小的了,每个像素点上有64个特征,我们把这个3维的tensor转化为一个向量,再添加一个有1024个神经元的隐藏层作为全连接层。
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)
Dropout
为了避免过拟合使用Dropout方法, 具体的,使用placeholder作为Dropout概率,可以让我们在训练时有Dropout,在测试时关掉Dropout。
keep_prob = tf.placeholder(tf.float32)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.matmul(h_fc1_drop, W_fc2) + b_fc2
训练和评价模型
CNN的训练和评价和之前softmax中的差不多,主要区别在于:
- 使用ADAM进行优化,而不是梯度下降
- 使用
keep_prob
控制Dropout率 - 每训练一百次输出日志(因为CNN训练相对较慢,打印日志便于调试)
cross_entropy = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=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, tf.float32))sess.run(tf.global_variables_initializer())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}))
0 0
- tensorflow识别手写数字(2)
- tensorflow识别手写数字
- Tensorflow手写数字识别
- 新手上手Tensorflow之手写数字识别应用(2)
- TensorFlow实战(一)手写数字识别
- tensorflow-mnist手写数字识别
- TensorFlow实现识别手写数字
- TensorFlow实时识别手写数字(数字通过鼠标输入)
- Tensorflow - Tutorial (2) : 利用softmax回归进行手写数字识别
- Tensorflow快速入门2--实现手写数字识别
- Tensorflow快速入门2--实现手写数字识别
- TensorFlow学习笔记(3)----CNN识别MNIST手写数字
- TensorFlow学习笔记(二)MNIST手写数字识别
- 基于Tensorflow的MNIST手写数字识别(一)
- 基于Tensorflow的MNIST手写数字识别(三)
- 用tensorflow实现MNIST(手写数字识别)
- TensorFlow代码实现(一)[MNIST手写数字识别]
- TensorFlow(二)实现Softmax Regression 识别手写数字
- 算法竞赛入门经典(第二版)第三章教材代码
- SVN 笔记
- c语言的隐式函数声明">1 什么是C语言的隐式函数声明
- 踩方格
- 增强for循环与普通for循环的区别2
- tensorflow识别手写数字(2)
- 映射网络驱动器如何共享别人电脑上的共享文件
- STRUTS系列之 工作原理
- 技术积累20170415(3)
- CUDA Pro Tip: Increase Performance with Vectorized Memory Access
- java_方法重载_覆盖
- 腾讯后台开发实习生1面+2面
- Dubbo学习(三)服务调用
- 19:最低通行费