这里使用TensorFlow实现一个简单的卷积神经网络,使用的是MNIST数据集。网络结构为:数据输入层–卷积层1–池化层1–卷积层2–池化层2–全连接层1–全连接层2(输出层),这是一个简单但非常有代表性的卷积神经网络。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
|
import tensorflow as tf import numpy as np import input_data mnist = input_data.read_data_sets( 'data/' , one_hot = True ) print ( "MNIST ready" ) sess = tf.InteractiveSession() # 定义好初始化函数以便重复使用。给权重制造一些随机噪声来打破完全对称,使用截断的正态分布,标准差设为0.1, # 同时因为使用relu,也给偏执增加一些小的正值(0.1)用来避免死亡节点(dead neurons) 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) def conv2d(x, W): return tf.nn.conv2d(x, W, strides = [ 1 , 1 , 1 , 1 ], padding = 'SAME' ) # 参数分别指定了卷积核的尺寸、多少个channel、filter的个数即产生特征图的个数 # 2x2最大池化,即将一个2x2的像素块降为1x1的像素。最大池化会保留原始像素块中灰度值最高的那一个像素,即保留最显著的特征。 def max_pool_2x2(x): return tf.nn.max_pool(x, ksize = [ 1 , 2 , 2 , 1 ], strides = [ 1 , 2 , 2 , 1 ], padding = 'SAME' ) n_input = 784 # 28*28的灰度图,像素个数784 n_output = 10 # 是10分类问题 # 在设计网络结构前,先定义输入的placeholder,x是特征,y是真实的label x = tf.placeholder(tf.float32, [ None , n_input]) y = tf.placeholder(tf.float32, [ None , n_output]) x_image = tf.reshape(x, [ - 1 , 28 , 28 , 1 ]) # 对图像做预处理,将1D的输入向量转为2D的图片结构,即1*784到28*28的结构,-1代表样本数量不固定,1代表颜色通道数量 # 定义第一个卷积层,使用前面写好的函数进行参数初始化,包括weight和bias W_conv1 = weight_variable([ 3 , 3 , 1 , 32 ]) b_conv1 = bias_variable([ 32 ]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) # 定义第二个卷积层 W_conv2 = weight_variable([ 3 , 3 , 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) # fc1,将两次池化后的7*7共128个特征图转换为1D向量,隐含节点1024由自己定义 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) # 为了减轻过拟合,使用Dropout层 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # Dropout层输出连接一个Softmax层,得到最后的概率输出 W_fc2 = weight_variable([ 1024 , 10 ]) b_fc2 = bias_variable([ 10 ]) pred = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #前向传播的预测值, print ( "CNN READY" ) # 定义损失函数为交叉熵损失函数 cost = tf.reduce_mean( - tf.reduce_sum(y * tf.log(pred), reduction_indices = [ 1 ])) # 优化器 optm = tf.train.AdamOptimizer( 0.001 ).minimize(cost) # 定义评测准确率的操作 corr = tf.equal(tf.argmax(pred, 1 ), tf.argmax(y, 1 )) # 对比预测值的索引和真实label的索引是否一样,一样返回True,不一样返回False accuracy = tf.reduce_mean(tf.cast(corr, tf.float32)) # 初始化所有参数 tf.global_variables_initializer().run() print ( "FUNCTIONS READY" ) training_epochs = 1000 # 所有样本迭代1000次 batch_size = 100 # 每进行一次迭代选择100个样本 display_step = 1 for i in range (training_epochs): avg_cost = 0. total_batch = int (mnist.train.num_examples / batch_size) batch = mnist.train.next_batch(batch_size) optm.run(feed_dict = {x:batch[ 0 ], y:batch[ 1 ], keep_prob: 0.7 }) avg_cost + = sess.run(cost, feed_dict = {x:batch[ 0 ], y:batch[ 1 ], keep_prob: 1.0 }) / total_batch if i % display_step = = 0 : # 每10次训练,对准确率进行一次测试 train_accuracy = accuracy. eval (feed_dict = {x:batch[ 0 ], y:batch[ 1 ], keep_prob: 1.0 }) test_accuracy = accuracy. eval (feed_dict = {x:mnist.test.images, y:mnist.test.labels, keep_prob: 1.0 }) print ( "step: %d cost: %.9f TRAIN ACCURACY: %.3f TEST ACCURACY: %.3f" % (i, avg_cost, train_accuracy, test_accuracy)) print ( "DONE" ) |
训练迭代1000次之后,测试分类正确率达到了98.6%
step: 999 cost: 0.000048231 TRAIN ACCURACY: 0.990 TEST ACCURACY: 0.986
在2000次的时候达到了99.1%
step: 2004 cost: 0.000042901 TRAIN ACCURACY: 0.990 TEST ACCURACY: 0.991
相比之前简单神经网络,CNN的效果明显较好,这其中主要的性能提升都来自于更优秀的网络设计,即卷积神经网络对图像特征的提取和抽象能力。依靠卷积核的权值共享,CNN的参数量并没有爆炸,降低计算量的同时也减轻了过拟合,因此整个模型的性能有较大的提升。
以上就是TensorFlow卷积神经网络MNIST数据集实现示例的详细内容,更多关于TensorFlow卷积神经网络MNIST数据集的资料请关注服务器之家其它相关文章!
原文链接:https://blog.csdn.net/lwplwf/article/details/60876990