mnist的卷積神經網絡例子和上一篇博文中的神經網絡例子大部分是相同的。但是CNN層數要多一些，網絡模型需要自己來構建。
程序比較復雜，我就分成幾個部分來敘述。
首先，下載并加載數據：
|
1
2
3
4
5
|
import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #下載并加載mnist數據x = tf.placeholder(tf.float32, [None, 784]) #輸入的數據占位符y_actual = tf.placeholder(tf.float32, shape=[None, 10]) #輸入的標簽占位符 |
定義四個函數，分別用于初始化權值W，初始化偏置項b, 構建卷積層和構建池化層。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#定義一個函數，用于初始化所有的權值 Wdef weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)#定義一個函數，用于初始化所有的偏置項 bdef bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #定義一個函數，用于構建卷積層def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#定義一個函數，用于構建池化層def max_pool(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME') |
接下來構建網絡。整個網絡由兩個卷積層（包含激活層和池化層），一個全連接層，一個dropout層和一個softmax層組成。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
#構建網絡x_image = tf.reshape(x, [-1,28,28,1]) #轉換輸入數據shape,以便于用于網絡中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) #第一個卷積層h_pool1 = max_pool(h_conv1) #第一個池化層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) #第二個卷積層h_pool2 = max_pool(h_conv2) #第二個池化層W_fc1 = weight_variable([7 * 7 * 64, 1024])b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #reshape成向量h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #第一個全連接層keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #softmax層 |
網絡構建好后，就可以開始訓練了。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy) #梯度下降法correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #精確度計算sess=tf.InteractiveSession() sess.run(tf.initialize_all_variables())for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: #訓練100次，驗證一次 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 |
Tensorflow依賴于一個高效的C++后端來進行計算。與后端的這個連接叫做session。一般而言，使用TensorFlow程序的流程是先創建一個圖，然后在session中啟動它。
這里，我們使用更加方便的InteractiveSession類。通過它，你可以更加靈活地構建你的代碼。它能讓你在運行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。這對于工作在交互式環境中的人們來說非常便利，比如使用IPython。
訓練20000次后，再進行測試，測試精度可以達到99%。
完整代碼：
|
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
|
# -*- coding: utf-8 -*-"""Created on Thu Sep 8 15:29:48 2016@author: root"""import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #下載并加載mnist數據x = tf.placeholder(tf.float32, [None, 784]) #輸入的數據占位符y_actual = tf.placeholder(tf.float32, shape=[None, 10]) #輸入的標簽占位符#定義一個函數，用于初始化所有的權值 Wdef weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)#定義一個函數，用于初始化所有的偏置項 bdef bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #定義一個函數，用于構建卷積層def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#定義一個函數，用于構建池化層def max_pool(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')#構建網絡x_image = tf.reshape(x, [-1,28,28,1]) #轉換輸入數據shape,以便于用于網絡中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) #第一個卷積層h_pool1 = max_pool(h_conv1) #第一個池化層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) #第二個卷積層h_pool2 = max_pool(h_conv2) #第二個池化層W_fc1 = weight_variable([7 * 7 * 64, 1024])b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #reshape成向量h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #第一個全連接層keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #softmax層cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy) #梯度下降法correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #精確度計算sess=tf.InteractiveSession() sess.run(tf.initialize_all_variables())for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: #訓練100次，驗證一次 train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0}) print('step',i,'training accuracy',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",test_acc) |
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：http://www.cnblogs.com/denny402/p/5853538.html
