Tensorflow-卷積神經網路CNN

清風紫雪發表於2021-01-31
卷積神經網路CNN

卷積神經網路CNN

結構

 

 池化操作

 

 手寫數字-卷積神經網路實現

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
tf.compat.v1.disable_eager_execution()
import numpy as np


#載入資料集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

#每個批次大小
batch_size=100
#計算一共有多少個批次
n_bath=mnist.train.num_examples // batch_size

#初始化權值
def weight_variable(shape):
    initial=tf.compat.v1.truncated_normal(shape,stddev=0.1)#生成一個截斷的正態分佈
    return tf.Variable(initial)

#初始化偏置值
def bias_variable(shape):
    initial=tf.compat.v1.constant(0.1,shape=shape)#生成一個截斷的正態分佈
    return tf.Variable(initial)

#卷積層
def conv2d(x,W):
    #strides[0]=strides[3]=1,strides[1]代表x方向的步長，strides[2]代表y方向的步長
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#池化層
def max_pool_2x2(x):
    #ksize[1,x,y,1]
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#定義兩個placeholder
x=tf.compat.v1.placeholder(tf.float32,[None,784])#28*28
y=tf.compat.v1.placeholder(tf.float32,[None,10])

#改變x的格式轉為4D的向量【batch,in_height,in_width,in_channels】
x_image=tf.compat.v1.reshape(x,[-1,28,28,1])

#初始化第一個卷積層的權值和偏置
W_conv1=weight_variable([5,5,1,32])#5*5的取樣視窗，32個卷積核從1個平面抽取特徵
b_conv1=bias_variable([32])#每一個卷積核一個偏置值

#把x_image和權值向量進行卷積，再加上偏置值，然後應用於relu啟用函式
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)#進行max-pooling

#初始化第二個卷積層的權值和偏置
W_conv2=weight_variable([5,5,32,64])#5*5的取樣視窗，64個卷積核從32個平面抽取特徵
b_conv2=bias_variable([64])#每一個卷積核一個偏置值

#把x_image和權值向量進行卷積，再加上偏置值，然後應用於relu啟用函式
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)#進行max-pooling

#28*28的圖片第一次卷積後還是28*28（步長為1），第一次池化變為14*14（因為步長2）
#第二次卷積後為14*14，第二次池化為7*7
#經過以上步驟後得到64張7*7平面

#初始化第一個全連線層的權值
W_fc1=weight_variable([7*7*64,1024])#上一層有7*7*64個神經元，全連線層有1024個神經元
b_fc1=bias_variable([1024])#1024個節點

#把池化層的第二層輸出扁平化為1維
h_pool2_flat=tf.compat.v1.reshape(h_pool2,[-1,7*7*64])
#求第一個全連線層的輸出
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)

#用keep_prob來表示神經元的輸出概率
# keep_prob=tf.compat.v1.placeholder(tf.float32)
# h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)


#初始化第二個全連線層的權值
W_fc2=weight_variable([1024,10])#上一層有7*7*64個神經元，全連線層有1024個神經元
b_fc2=bias_variable([10])#1024個節點

#計算輸出
prediction=tf.nn.softmax(tf.matmul(h_fc1,W_fc2)+b_fc2)

#交叉熵函式
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#梯度下降
train_step=tf.compat.v1.train.AdamOptimizer(1e-4).minimize(loss)

#初始化變數
init=tf.compat.v1.global_variables_initializer()

#結果存放在一個布林型列表中
#返回的是一系列的True或False argmax返回一維張量中最大的值所在的位置，對比兩個最大位置是否一致
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))

#求準確率
#cast：將布林型別轉換為float，將True為1.0，False為0，然後求平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.compat.v1.Session() as sess:
    sess.run(init)
    for epoch in range(51):
        for batch in range(n_bath):
            #獲得一批次的資料，batch_xs為圖片，batch_ys為圖片標籤
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            #進行訓練
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})

        print("Iter "+str(epoch)+",Testing Accuracy "+str(test_acc))

輸出結果：

跑的時間有點長。。。。。

 

相關文章