github部落格傳送門
csdn部落格傳送門

本章所需知識:

1. 沒有基礎的請觀看深度學習系列視訊
2. tensorflow

3. Python基礎

   資料下載連結:

   深度學習基礎網路模型(mnist手寫體識別資料集)

MNIST資料集手寫體識別(CNN實現)

import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data  # 匯入下載資料集手寫體
mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)


class RNNNet:  # 建立一個RNNNet類
    def __init__(self):
        self.x = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28], name='input_x')  # 建立資料佔位符
        self.y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_y')  # 建立標籤佔位符

        self.fc_w1 = tf.Variable(tf.truncated_normal(shape=[128, 10], dtype=tf.float32, stddev=tf.sqrt(1 / 10), name='fc_w1'))  # 定義 輸出層/全連結層 w
        self.fc_b1 = tf.Variable(tf.zeros(shape=[10]), dtype=tf.float32, name='fc_b1')  # 定義 輸出層/全連結層 偏值b

    # 前向計算
    def forward(self):
        cell = tf.nn.rnn_cell.BasicLSTMCell(128)  # 建立128個LSTM的RNN結構(細胞結構)
        state1 = cell.zero_state(100, dtype=tf.float32)  # 初始化細胞的狀態為 0, 傳入初始化批次 和資料型別

        self.rnn_ouput, self.state = tf.nn.dynamic_rnn(cell, self.x, initial_state=state1, time_major=False)  # 將細胞cell 和資料 self.x 初始化狀態傳入RNN細胞結構 獲得兩個返回值 output 和 狀態state
        self.fc1 = tf.matmul(self.rnn_ouput[:, -1, :], self.fc_w1) + self.fc_b1  # 取rnn_output的輸出狀態的 每個輸出的最後一行 進行全連結計算
        self.output = tf.nn.softmax(self.fc1)  # 將全連結計算後的結果進行 softmax分類

    # 後向計算
    def backward(self):
        # 求出網路的 cost值(損失)
        self.cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y, logits=self.fc1, name='cost'))
        # 使用AdamOptimizer優化器優化 self.cost
        self.opt = tf.train.AdamOptimizer().minimize(self.cost)

    # # 計算測試集識別精度
    def acc(self):
        # 將預測值 output 和 標籤值 self.y 進行比較
        self.acc1 = tf.equal(tf.argmax(self.output, 1), tf.argmax(self.y, 1))
        #  最後對比較出來的bool值 轉換為float32型別後 求均值就可以看到滿值為 1的精度顯示
        self.accaracy = tf.reduce_mean(tf.cast(self.acc1, tf.float32))


if __name__ == '__main__':
    net = RNNNet()  # 啟動tensorflow繪圖的RNNNet
    net.forward()  # 啟動前向計算
    net.backward()  # 啟動後向計算
    net.acc()  # 啟動精度計算
    init = tf.global_variables_initializer()  # 定義初始化tensorflow所有變數操作
    with tf.Session() as sess:  # 建立一個Session會話
        sess.run(init)  # 執行init變數內的初始化所有變數的操作
        for i in range(10000):  # 訓練10000次
            ax, ay = mnist.train.next_batch(100)  # 從mnist資料集中取資料出來 ax接收圖片 ay接收標籤
            ax_batch = ax.reshape([-1, 28, 28])  # 將取出的 圖片資料 reshape成 NSV 結構
            loss, output, accaracy, _ = sess.run(fetches=[net.cost, net.output, net.accaracy, net.opt], feed_dict={net.x: ax_batch, net.y: ay})  # 將資料喂進RNN網路
            # print(loss)  # 列印損失
            # print(accaracy)  # 列印訓練精度

            if i % 10 == 0:  # 每訓練10次
                test_ax, test_ay = mnist.test.next_batch(100)  # 則使用測試集對當前網路進行測試
                test_ax_batch = sess.run(tf.reshape(test_ax, [-1, 28, 28]))  # 將取出的 圖片資料 reshape成 NSV 結構
                test_output = sess.run(fetches=net.output, feed_dict={net.x: test_ax_batch})  # 注意fetches=[net.output]加了中括號返回值會變為list    # 將測試資料喂進網路 接收一個output值
                test_acc = tf.equal(tf.argmax(test_output, 1), tf.argmax(test_ay, 1))  # 對output值和標籤y值進行求比較運算
                test_accaracy = sess.run(tf.reduce_mean(tf.cast(test_acc, tf.float32)))  # 求出精度的準確率進行列印
                print(test_accaracy)  # 列印當前測試集的精度
 

最後附上訓練截圖: