這里使用TensorFlow實現(xiàn)一個簡單的卷積神經(jīng)網(wǎng)絡(luò)，使用的是MNIST數(shù)據(jù)集。網(wǎng)絡(luò)結(jié)構(gòu)為：數(shù)據(jù)輸入層–卷積層1–池化層1–卷積層2–池化層2–全連接層1–全連接層2（輸出層），這是一個簡單但非常有代表性的卷積神經(jīng)網(wǎng)絡(luò)。
|
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 tfimport numpy as npimport input_datamnist = input_data.read_data_sets('data/', one_hot=True)print("MNIST ready")sess = tf.InteractiveSession()# 定義好初始化函數(shù)以便重復(fù)使用。給權(quán)重制造一些隨機噪聲來打破完全對稱，使用截斷的正態(tài)分布，標準差設(shè)為0.1，# 同時因為使用relu，也給偏執(zhí)增加一些小的正值(0.1)用來避免死亡節(jié)點(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') # 參數(shù)分別指定了卷積核的尺寸、多少個channel、filter的個數(shù)即產(chǎn)生特征圖的個數(shù)# 2x2最大池化，即將一個2x2的像素塊降為1x1的像素。最大池化會保留原始像素塊中灰度值最高的那一個像素，即保留最顯著的特征。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的灰度圖，像素個數(shù)784n_output = 10 # 是10分類問題# 在設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)前，先定義輸入的placeholder，x是特征，y是真實的labelx = tf.placeholder(tf.float32, [None, n_input]) y = tf.placeholder(tf.float32, [None, n_output]) x_image = tf.reshape(x, [-1, 28, 28, 1]) # 對圖像做預(yù)處理，將1D的輸入向量轉(zhuǎn)為2D的圖片結(jié)構(gòu)，即1*784到28*28的結(jié)構(gòu),-1代表樣本數(shù)量不固定，1代表顏色通道數(shù)量# 定義第一個卷積層，使用前面寫好的函數(shù)進行參數(shù)初始化，包括weight和biasW_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)# 定義第二個卷積層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，將兩次池化后的7*7共128個特征圖轉(zhuǎn)換為1D向量，隱含節(jié)點1024由自己定義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)# 為了減輕過擬合，使用Dropout層keep_prob = tf.placeholder(tf.float32)h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# Dropout層輸出連接一個Softmax層,得到最后的概率輸出W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])pred = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #前向傳播的預(yù)測值，print("CNN READY")# 定義損失函數(shù)為交叉熵損失函數(shù)cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=[1]))# 優(yōu)化器optm = tf.train.AdamOptimizer(0.001).minimize(cost)# 定義評測準確率的操作corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # 對比預(yù)測值的索引和真實label的索引是否一樣，一樣返回True，不一樣返回Falseaccuracy = tf.reduce_mean(tf.cast(corr, tf.float32))# 初始化所有參數(shù)tf.global_variables_initializer().run()print("FUNCTIONS READY")training_epochs = 1000 # 所有樣本迭代1000次batch_size = 100 # 每進行一次迭代選擇100個樣本display_step = 1for 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次訓(xùn)練，對準確率進行一次測試 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") |
訓(xùn)練迭代1000次之后，測試分類正確率達到了98.6%
step: 999 cost: 0.000048231 TRAIN ACCURACY: 0.990 TEST ACCURACY: 0.986
在2000次的時候達到了99.1%
step: 2004 cost: 0.000042901 TRAIN ACCURACY: 0.990 TEST ACCURACY: 0.991
相比之前簡單神經(jīng)網(wǎng)絡(luò)，CNN的效果明顯較好，這其中主要的性能提升都來自于更優(yōu)秀的網(wǎng)絡(luò)設(shè)計，即卷積神經(jīng)網(wǎng)絡(luò)對圖像特征的提取和抽象能力。依靠卷積核的權(quán)值共享，CNN的參數(shù)量并沒有爆炸，降低計算量的同時也減輕了過擬合，因此整個模型的性能有較大的提升。
以上就是TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集實現(xiàn)示例的詳細內(nèi)容，更多關(guān)于TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://blog.csdn.net/lwplwf/article/details/60876990
