tensorflow學習筆記（第一天）-深度卷積神經網路
阿新 • • 發佈：2018-11-19
一、在這裡首先需要了解一些概念性的東西，當然我是才接觸，還不太熟悉：
1.numpy NumPy系統是Python的一種開源的數值計算擴充套件。這種工具可用來儲存和處理大型矩陣，比Python自身的巢狀列表（nested list structure)結構要高效的多（該結構也可以用來表示矩陣（matrix））。文件中給出的例子mnist就是以Numpy陣列的形式儲存著訓練、校驗和測試資料集. 2.ReLU神經元 這個文章介紹的挺詳細：https://www.cnblogs.com/neopenx/p/4453161.html二、一個擁有一個線性層的softmax迴歸模型
#第一部：載入MNIST資料import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
#InteractiveSession類。
#通過它，你可以更加靈活地構建你的程式碼。它能讓你在執行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。
#第二部分：變數的定義
import tensorflow as tf
sess = tf.InteractiveSession()
#佔位符placeholder
#雖然placeholder的shape引數是可選的，但有了它，TensorFlow能夠自動捕捉因資料維度不一致導致的錯誤。
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
#變數 權重W和偏置b Variable
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#變數需要通過seesion初始化後，才能在session中使用。
#這一初始化步驟為，為初始值指定具體值（本例當中是全為零），並將其分配給每個變數,可以一次性為所有變數完成此操作。
sess.run(tf.initialize_all_variables())
#第三部分：類別預測與損失函式 softmax
y = tf.nn.softmax(tf.matmul(x,W) + b)
tf.reduce_sum把minibatch裡的每張圖片的交叉熵值都加起來了。我們計算的交叉熵是指整個minibatch的。
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#第四部分：訓練模型
#最速下降法讓交叉熵下降，步長為0.01.
#train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 每一步迭代，我們都會載入50個訓練樣本
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
#第五部：評估模型
tf.argmax 是一個非常有用的函式，它能給出某個tensor物件在某一維上的其資料最大值所在的索引值。
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print (accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
這個下來的是大概91%的正確率
三、多層卷積網路
#深度卷積神經網路
#第一部：載入MNIST資料
import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
#InteractiveSession類。
#通過它，你可以更加靈活地構建你的程式碼。它能讓你在執行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。
#第二部分：變數的定義
import tensorflow as tf
sess = tf.InteractiveSession()
#佔位符placeholder
#雖然placeholder的shape引數是可選的，但有了它，TensorFlow能夠自動捕捉因資料維度不一致導致的錯誤。
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
#變數 權重W和偏置b Variable
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#變數需要通過seesion初始化後，才能在session中使用。
#這一初始化步驟為，為初始值指定具體值（本例當中是全為零），並將其分配給每個變數,可以一次性為所有變數完成此操作。
sess.run(tf.initialize_all_variables())
#構建一個多層卷積網路
#權重初始化
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) #卷積和池化
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
#第一層卷積
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32]) x_image = tf.reshape(x, [-1,28,28,1]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1) #第二層卷積
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)
h_pool2 = max_pool_2x2(h_conv2)
#密集連線層
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
#Dropout
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#輸出層
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10]) y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
#訓練和評估模型
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.initialize_all_variables())
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:batch[0], y_: batch[1], keep_prob: 1.0})
print( "step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) print ("test accuracy %g"%accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
正確率為99.2%