【譯】TensorFlow Tutorial #02 Convolutional Neural Network

摘要： 溫馨提示，TensorFlow更新的太快了，有些程式碼實現方式可能變了，但是思想還是沒有變滴，主要還是理解 原文地址 介紹 前面的教程表明，簡單的線性模型具有大約91％的分類準確度，用於識別MNIST資料集中的手寫數字。 在本教程中，我們將在TensorFlow中實現一個簡單的...

溫馨提示，TensorFlow更新的太快了，有些程式碼實現方式可能變了，但是思想還是沒有變滴，主要還是理解 ofollow,noindex">原文地址

介紹

前面的教程表明，簡單的線性模型具有大約91％的分類準確度，用於識別MNIST資料集中的手寫數字。

在本教程中，我們將在TensorFlow中實現一個簡單的卷積神經網路，如果您進行一些建議的練習，其分類精度約為99％或更高。

卷積網路通過在輸入影象上移動小濾鏡來工作。 這意味著過濾器被重新用於識別整個輸入影象中的模式。 這使得卷積網路比具有相同數量的變數的完全連線網路更強大。 這反過來使Convolutional Networks更快地進行訓練。

您應該熟悉基本的線性代數，Python和Jupyter Notebook編輯器。 TensorFlow的初學者也可能希望在繼續學習之前學習第一篇教程。

Flowchart下圖大致顯示了下面實現的卷積神經網路中資料的流動方式。

使用濾波器權重在第一卷積層中處理輸入影象。 這導致16個新影象，一個用於卷積層中的每個濾波器。 影象也進行了下采樣，因此影象解析度從28x28降低到14x14。

然後在第二卷積層中處理這16個較小的影象。 我們需要為這16個通道中的每個通道提供濾波器權重，並且我們需要對該層的每個輸出通道使用濾波器權重。 有36個輸出通道，因此在第二個卷積層中總共有16 x 36 = 576個濾波器。 生成的影象再次下采樣到7x7畫素。

第二卷積層的輸出是每個7×7畫素的36個影象。 然後將它們展平為長度為7×7×36 = 1764的單個向量，其用作具有128個神經元（或元件）的完全連線層的輸入。 這將進入另一個具有10個神經元的完全連線的層，每個類對應一個類，用於確定影象的類別，即影象中描繪的數字。

卷積濾波器最初是隨機選擇的，因此分類是隨機進行的。 輸入影象的預測類和真實類之間的誤差被測量為所謂的交叉熵。 然後，優化器使用區分鏈規則自動將此錯誤傳播回捲積網路，並更新過濾器權重，以改善分類錯誤。 這反覆進行數千次，直到分類誤差足夠低。

這些特定的濾鏡權重和中間影象是一次優化執行的結果，如果重新執行此Notebook，可能會有所不同。

請注意，TensorFlow中的計算實際上是在一批影象而不是單個影象上完成的，這使得計算更有效。 這意味著當在TensorFlow中實現時，流程圖實際上還有一個數據維度。

Convolutional Layer

下圖顯示了在第一個卷積層中處理影象的基本思想。 輸入影象描繪了數字7，此處顯示了四個影象副本，因此我們可以更清楚地看到濾鏡如何移動到影象的不同位置。 對於濾鏡的每個位置，在濾鏡和濾鏡下的影象畫素之間計算點積，這導致輸出影象中的單個畫素。 因此，在整個輸入影象上移動濾鏡會導致生成新影象。

紅色濾鏡權重意味著濾鏡對輸入影象中的黑色畫素具有正反應，而藍色畫素意味著濾鏡對黑色畫素具有負反應。

在這種情況下，過濾器可以識別出7位數的水平線，從輸出影象中對該線的較強反應可以看出。

在輸入上移動過濾器的步長稱為步幅。 水平移動過濾器（x軸）和另一個垂直移動步幅（y軸）有一個跨度。

在下面的原始碼中，步幅在兩個方向上都設定為1，這意味著濾鏡從輸入影象的左上角開始，並在每個步驟中向右移動1個畫素。 當濾鏡到達影象右側的末尾時，濾鏡將向後移動到影象的左側和1個畫素。 這將一直持續到濾鏡到達輸入影象的右下角並生成整個輸出影象。

當濾鏡到達輸入影象的右側和底部的末端時，可以用零填充（白色畫素）。 這會使輸出影象與輸入影象具有完全相同的尺寸。

此外，卷積的輸出可以通過所謂的整流線性單元（ReLU），其僅確保輸出為正，因為負值被設定為零。 輸出也可以通過所謂的max-pooling進行下采樣，max-pooling考慮2x2畫素的小視窗並且僅保留這些畫素中的最大畫素。 這使輸入影象的解析度減半，例如 從28x28到14x14畫素。

注意，第二卷積層更復雜，因為它需要16個輸入通道。 我們想為每個輸入通道分別使用一個過濾器，因此我們需要16個過濾器而不是一個過濾器。 此外，我們需要來自第二卷積層的36個輸出通道，因此總共需要16 x 36 = 576個濾波器用於第二個卷積層。 瞭解其工作原理可能有點難度。

Imports

%matplotlib inline
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
from sklearn.metrics import confusion_matrix
import time
from datetime import timedelta
import math
複製程式碼

Configuration of Neural Network

為方便起見，此處定義了卷積神經網路的配置，因此您可以輕鬆查詢和更改這些數字並重新執行Notebook。

# Convolutional Layer 1.
filter_size1 = 5# Convolution filters are 5 x 5 pixels.
num_filters1 = 16# There are 16 of these filters.

# Convolutional Layer 2.
filter_size2 = 5# Convolution filters are 5 x 5 pixels.
num_filters2 = 36# There are 36 of these filters.

# Fully-connected layer.
fc_size = 128# Number of neurons in fully-connected layer.
複製程式碼

Load Data

MNIST資料集大約為12 MB，如果它不在給定路徑中，將自動下載。

from mnist import MNIST
data = MNIST(data_dir="data/MNIST/")
複製程式碼

複製程式碼MNIST資料集現已載入，由70,000個影象和影象的類號組成。 資料集被分成3個互斥的子集。 我們將僅使用本教程中的培訓和測試集。

print("Size of:")
print("- Training-set:\t\t{}".format(data.num_train))
print("- Validation-set:\t{}".format(data.num_val))
print("- Test-set:\t\t{}".format(data.num_test))


Size of:
- Training-set:55000
- Validation-set:5000
- Test-set:10000
複製程式碼

複製程式碼為方便起見，複製一些資料維度。

# The number of pixels in each dimension of an image.
img_size = data.img_size

# The images are stored in one-dimensional arrays of this length.
img_size_flat = data.img_size_flat

# Tuple with height and width of images used to reshape arrays.
img_shape = data.img_shape

# Number of classes, one class for each of 10 digits.
num_classes = data.num_classes

# Number of colour channels for the images: 1 channel for gray-scale.
num_channels = data.num_channels
複製程式碼

Helper-function for plotting images

用於在3x3網格中繪製9個影象，並在每個影象下面寫入真實和預測類的函式。

def plot_images(images, cls_true, cls_pred=None):
assert len(images) == len(cls_true) == 9

# Create figure with 3x3 sub-plots.
fig, axes = plt.subplots(3, 3)
fig.subplots_adjust(hspace=0.3, wspace=0.3)

for i, ax in enumerate(axes.flat):
# Plot image.
ax.imshow(images[i].reshape(img_shape), cmap='binary')

# Show true and predicted classes.
if cls_pred is None:
xlabel = "True: {0}".format(cls_true[i])
else:
xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i])

# Show the classes as the label on the x-axis.
ax.set_xlabel(xlabel)

# Remove ticks from the plot.
ax.set_xticks([])
ax.set_yticks([])

# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()

複製程式碼

Plot a few images to see if data is correct

# Get the first images from the test-set.
images = data.x_test[0:9]

# Get the true classes for those images.
cls_true = data.y_test_cls[0:9]

# Plot the images and labels using our helper-function above.
plot_images(images=images, cls_true=cls_true)
複製程式碼

TensorFlow Graph

#Helper-functions for creating new variables（輔助函式用於建立新變數）

用於在給定形狀中建立新TensorFlow變數並使用隨機值初始化它們的函式。 請注意，此時實際上並未完成初始化，它僅在TensorFlow圖中定義。

def new_weights(shape):
return tf.Variable(tf.truncated_normal(shape, stddev=0.05))

def new_biases(length):
return tf.Variable(tf.constant(0.05, shape=[length]))
複製程式碼

#Helper-function for creating a new Convolutional Layer（輔助功能，用於建立新的卷積層）

此函式在TensorFlow的計算圖中建立一個新的卷積層。 這裡沒有實際計算，我們只是將數學公式新增到TensorFlow圖。

假設輸入是具有以下尺寸的4維張量：

影象編號。
每個影象的Y軸。
每個影象的X軸。
每個影象的通道。
複製程式碼

注意，輸入通道可以是顏色通道，或者如果輸入是從先前的卷積層產生的，則它可以是濾波器通道。

輸出是另一個4-dim張量，具有以下尺寸：

影象編號，與輸入相同。
每個影象的Y軸。 如果使用2x2池，則輸入影象的高度和寬度除以2。
每個影象的X軸。 同上。
卷積濾波器產生的通道。
複製程式碼

def new_conv_layer(input,# The previous layer.
num_input_channels, # Num. channels in prev. layer.
filter_size,# Width and height of each filter.
num_filters,# Number of filters.
use_pooling=True):# Use 2x2 max-pooling.

# Shape of the filter-weights for the convolution.
# This format is determined by the TensorFlow API.
shape = [filter_size, filter_size, num_input_channels, num_filters]

# Create new weights aka. filters with the given shape.
weights = new_weights(shape=shape)

# Create new biases, one for each filter.
biases = new_biases(length=num_filters)

# Create the TensorFlow operation for convolution.
# Note the strides are set to 1 in all dimensions.
# The first and last stride must always be 1,
# because the first is for the image-number and
# the last is for the input-channel.
# But e.g. strides=[1, 2, 2, 1] would mean that the filter
# is moved 2 pixels across the x- and y-axis of the image.
# The padding is set to 'SAME' which means the input image
# is padded with zeroes so the size of the output is the same.
layer = tf.nn.conv2d(input=input,
filter=weights,
strides=[1, 1, 1, 1],
padding='SAME')

# Add the biases to the results of the convolution.
# A bias-value is added to each filter-channel.
layer += biases

# Use pooling to down-sample the image resolution?
if use_pooling:
# This is 2x2 max-pooling, which means that we
# consider 2x2 windows and select the largest value
# in each window. Then we move 2 pixels to the next window.
layer = tf.nn.max_pool(value=layer,
ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1],
padding='SAME')

# Rectified Linear Unit (ReLU).
# It calculates max(x, 0) for each input pixel x.
# This adds some non-linearity to the formula and allows us
# to learn more complicated functions.
layer = tf.nn.relu(layer)

# Note that ReLU is normally executed before the pooling,
# but since relu(max_pool(x)) == max_pool(relu(x)) we can
# save 75% of the relu-operations by max-pooling first.

# We return both the resulting layer and the filter-weights
# because we will plot the weights later.
return layer, weights
複製程式碼

#Helper-function for flattening a layer（輔助功能，用於展平圖層）

卷積層產生具有4維的輸出張量。 我們將在卷積層之後新增完全連線的層，因此我們需要將4-dim張量減小到2-dim，這可以用作完全連線層的輸入。

def flatten_layer(layer):
# Get the shape of the input layer.
layer_shape = layer.get_shape()

# The shape of the input layer is assumed to be:
# layer_shape == [num_images, img_height, img_width, num_channels]

# The number of features is: img_height * img_width * num_channels
# We can use a function from TensorFlow to calculate this.
num_features = layer_shape[1:4].num_elements()

# Reshape the layer to [num_images, num_features].
# Note that we just set the size of the second dimension
# to num_features and the size of the first dimension to -1
# which means the size in that dimension is calculated
# so the total size of the tensor is unchanged from the reshaping.
layer_flat = tf.reshape(layer, [-1, num_features])

# The shape of the flattened layer is now:
# [num_images, img_height * img_width * num_channels]

# Return both the flattened layer and the number of features.
return layer_flat, num_features
複製程式碼

#Helper-function for creating a new Fully-Connected Layer（輔助功能，用於建立新的全連線層）

此函式在TensorFlow的計算圖中建立一個新的完全連線層。 這裡沒有實際計算，我們只是將數學公式新增到TensorFlow圖。

假設輸入是形狀[di_images，num_inputs]的二維張量。 輸出是2-dim張量的形狀[num_images，num_outputs]。

def new_fc_layer(input,# The previous layer.
num_inputs,# Num. inputs from prev. layer.
num_outputs,# Num. outputs.
use_relu=True): # Use Rectified Linear Unit (ReLU)?

# Create new weights and biases.
weights = new_weights(shape=[num_inputs, num_outputs])
biases = new_biases(length=num_outputs)

# Calculate the layer as the matrix multiplication of
# the input and weights, and then add the bias-values.
layer = tf.matmul(input, weights) + biases

# Use ReLU?
if use_relu:
layer = tf.nn.relu(layer)

return layer
複製程式碼

#Placeholder variables（佔位符變數） 佔位符變數用作TensorFlow計算圖的輸入，每次執行圖時我們都可以更改。 我們稱之為佔位符變數，並在下面進一步說明。

首先，我們為輸入影象定義佔位符變數。 這允許我們更改輸入到TensorFlow圖形的影象。 這是一個所謂的張量，這意味著它是一個多維向量或矩陣。 資料型別設定為float32，形狀設定為[None，img_size_flat]，其中None表示張量可以保持任意數量的影象，每個影象是長度為img_size_flat的向量。

x = tf.placeholder(tf.float32, shape=[None, img_size_flat], name='x')
複製程式碼

卷積層期望x被編碼為4-dim張量，因此我們必須對其進行整形，使其形狀為[num_images，img_height，img_width，num_channels]。 請注意，img_height == img_width == img_size和num_images可以使用-1作為第一個維度的大小自動推斷。 所以重塑操作是：

x_image = tf.reshape(x, [-1, img_size, img_size, num_channels])
複製程式碼

接下來，我們有佔位符變數，用於與佔位符變數x中輸入的影象相關聯的真實標籤。 此佔位符變數的形狀為[None，num_classes]，這意味著它可以包含任意數量的標籤，每個標籤是長度為num_classes的向量，在這種情況下為10。

y_true = tf.placeholder(tf.float32, shape=[None, num_classes], name='y_true')
複製程式碼

我們也可以為label設定佔位符變數，但我們將使用argmax計算它。 請注意，這是一個TensorFlow運算子，因此此時不計算任何內容。

y_true_cls = tf.argmax(y_true, axis=1)
複製程式碼

Convolutional Layer 1

建立第一個卷積層。 它將x_image作為輸入並建立num_filters1個不同的過濾器，每個過濾器的寬度和高度等於filter_size1。 最後，我們希望通過使用2x2 max-pooling對影象進行下采樣，使其大小減半。

layer_conv1, weights_conv1 = \
new_conv_layer(input=x_image,
num_input_channels=num_channels,
filter_size=filter_size1,
num_filters=num_filters1,
use_pooling=True)
複製程式碼

檢查將由卷積層輸出的張量的形狀。 它是（？，14,14,16），這意味著有任意數量的影象（這是？），每個影象寬14畫素，高14畫素，有16個不同的通道，每個通道一個通道 過濾器

layer_conv1

<tf.Tensor 'Relu:0' shape=(?, 14, 14, 16) dtype=float32>
複製程式碼

Convolutional Layer 2

建立第二個卷積層，它將第一個卷積層的輸出作為輸入。 輸入通道的數量對應於第一卷積層中的濾波器的數量。

layer_conv2, weights_conv2 = \
new_conv_layer(input=layer_conv1,
num_input_channels=num_filters1,
filter_size=filter_size2,
num_filters=num_filters2,
use_pooling=True)
複製程式碼

檢查將從此卷積層輸出的張量的形狀。 形狀是（？，7,7,36）？ 再次表示存在任意數量的影象，每個影象的寬度和高度為7個畫素，並且有36個通道，每個濾波器一個。

layer_conv2

<tf.Tensor 'Relu_1:0' shape=(?, 7, 7, 36) dtype=float32>

複製程式碼

Flatten Layer

卷積層輸出4-dim張量。 我們現在希望在完全連線的網路中使用這些作為輸入，這需要將張量重新整形或展平為2-dim張量。

layer_flat, num_features = flatten_layer(layer_conv2)
複製程式碼

檢查張量現在是否具有形狀（？，1764），這意味著有任意數量的影象已被展平為每個長度為1764的向量。 請注意，1764 = 7 x 7 x 36。

In [23]:layer_flat
Out[23]:<tf.Tensor 'Reshape_1:0' shape=(?, 1764) dtype=float32>
In [24]:num_features
Out[24]:1764
複製程式碼

Fully-Connected Layer 1

將完全連線的層新增到網路中。 輸入是前一卷積的平坦層。 完全連線層中的神經元或節點的數量是fc_size。 使用ReLU，我們可以學習非線性關係。

layer_fc1 = new_fc_layer(input=layer_flat,
num_inputs=num_features,
num_outputs=fc_size,
use_relu=True)
複製程式碼

檢查完全連線層的輸出是否為形狀（？，128）的張量？ 意味著有任意數量的影象，fc_size == 128。

In [26]:layer_fc1
Out[26]:<tf.Tensor 'Relu_2:0' shape=(?, 128) dtype=float32>
複製程式碼

Fully-Connected Layer 2

新增另一個完全連線的層，輸出長度為10的向量，用於確定輸入影象屬於哪10個類。 請注意，此層中不使用ReLU。

In [27]:layer_fc2 = new_fc_layer(input=layer_fc1,
num_inputs=fc_size,
num_outputs=num_classes,
use_relu=False)
In [28]:layer_fc2
Out[28]:<tf.Tensor 'add_3:0' shape=(?, 10) dtype=float32>
複製程式碼

Predicted Class

第二個完全連線的層估計輸入影象屬於10個類中的每一個的可能性。 然而，這些估計有點粗糙且難以解釋，因為數字可能非常小或很大，因此我們希望將它們標準化，以便每個元素限制在0和1之間，10個元素總和為1。 這是使用所謂的softmax函式計算的，結果儲存在y_pred中。

y_pred = tf.nn.softmax(layer_fc2)
複製程式碼

class-number是最大元素的索引。

y_pred_cls = tf.argmax(y_pred, axis=1)
複製程式碼

Cost-function to be optimized

為了使模型更好地分類輸入影象，我們必須以某種方式改變所有網路層的變數。 為此，我們首先需要通過將模型y_pred的預測輸出與期望輸出y_true進行比較來了解模型當前的執行情況。

交叉熵是用於分類的效能度量。 交叉熵是一個始終為正的連續函式，如果模型的預測輸出與期望輸出完全匹配，則交叉熵等於零。 因此，優化的目標是最小化交叉熵，使其通過改變網路層的變數儘可能接近零。

TensorFlow具有用於計算交叉熵的內建函式。 請注意，該函式在內部計算softmax，因此我們必須直接使用layer_fc2的輸出，而不是已經應用了softmax的y_pred。

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=layer_fc2,
labels=y_true)
複製程式碼

我們現在已經計算了每個影象分類的交叉熵，因此我們可以測量模型對每個影象的單獨執行情況。 但是為了使用交叉熵來指導模型變數的優化，我們需要一個標量值，因此我們只需要對所有影象分類採用交叉熵的平均值。

cost = tf.reduce_mean(cross_entropy)
複製程式碼

Optimization Method現在我們有一個必須最小化的成本度量，然後我們可以建立一個優化器。 在這種情況下，它是AdamOptimizer，它是Gradient Descent的高階形式。

請注意，此時不執行優化。 事實上，根本沒有計算任何東西，我們只需將optimizer-object新增到TensorFlow圖中以便以後執行。

optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cost)
複製程式碼

Performance Measures

correct_prediction = tf.equal(y_pred_cls, y_true_cls)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
複製程式碼

TensorFlow Run

接下來都是訓練、測試、除錯啦～ 方式很多，這裡我就只貼程式碼了

session = tf.Session()
session.run(tf.global_variables_initializer())
train_batch_size = 64
# Counter for total number of iterations performed so far.
total_iterations = 0

def optimize(num_iterations):
# Ensure we update the global variable rather than a local copy.
global total_iterations

# Start-time used for printing time-usage below.
start_time = time.time()

for i in range(total_iterations,
total_iterations + num_iterations):

# Get a batch of training examples.
# x_batch now holds a batch of images and
# y_true_batch are the true labels for those images.
x_batch, y_true_batch, _ = data.random_batch(batch_size=train_batch_size)

# Put the batch into a dict with the proper names
# for placeholder variables in the TensorFlow graph.
feed_dict_train = {x: x_batch,
y_true: y_true_batch}

# Run the optimizer using this batch of training data.
# TensorFlow assigns the variables in feed_dict_train
# to the placeholder variables and then runs the optimizer.
session.run(optimizer, feed_dict=feed_dict_train)

# Print status every 100 iterations.
if i % 100 == 0:
# Calculate the accuracy on the training-set.
acc = session.run(accuracy, feed_dict=feed_dict_train)

# Message for printing.
msg = "Optimization Iteration: {0:>6}, Training Accuracy: {1:>6.1%}"

# Print it.
print(msg.format(i + 1, acc))

# Update the total number of iterations performed.
total_iterations += num_iterations

# Ending time.
end_time = time.time()

# Difference between start and end-times.
time_dif = end_time - start_time

# Print the time-usage.
print("Time usage: " + str(timedelta(seconds=int(round(time_dif)))))


複製程式碼

def plot_example_errors(cls_pred, correct):
# This function is called from print_test_accuracy() below.

# cls_pred is an array of the predicted class-number for
# all images in the test-set.

# correct is a boolean array whether the predicted class
# is equal to the true class for each image in the test-set.

# Negate the boolean array.
incorrect = (correct == False)

# Get the images from the test-set that have been
# incorrectly classified.
images = data.x_test[incorrect]

# Get the predicted classes for those images.
cls_pred = cls_pred[incorrect]

# Get the true classes for those images.
cls_true = data.y_test_cls[incorrect]

# Plot the first 9 images.
plot_images(images=images[0:9],
cls_true=cls_true[0:9],
cls_pred=cls_pred[0:9])
複製程式碼

def plot_confusion_matrix(cls_pred):
# This is called from print_test_accuracy() below.

# cls_pred is an array of the predicted class-number for
# all images in the test-set.

# Get the true classifications for the test-set.
cls_true = data.y_test_cls

# Get the confusion matrix using sklearn.
cm = confusion_matrix(y_true=cls_true,
y_pred=cls_pred)

# Print the confusion matrix as text.
print(cm)

# Plot the confusion matrix as an image.
plt.matshow(cm)

# Make various adjustments to the plot.
plt.colorbar()
tick_marks = np.arange(num_classes)
plt.xticks(tick_marks, range(num_classes))
plt.yticks(tick_marks, range(num_classes))
plt.xlabel('Predicted')
plt.ylabel('True')

# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()
複製程式碼

# Split the test-set into smaller batches of this size.
test_batch_size = 256

def print_test_accuracy(show_example_errors=False,
show_confusion_matrix=False):

# Number of images in the test-set.
num_test = data.num_test

# Allocate an array for the predicted classes which
# will be calculated in batches and filled into this array.
cls_pred = np.zeros(shape=num_test, dtype=np.int)

# Now calculate the predicted classes for the batches.
# We will just iterate through all the batches.
# There might be a more clever and Pythonic way of doing this.

# The starting index for the next batch is denoted i.
i = 0

while i < num_test:
# The ending index for the next batch is denoted j.
j = min(i + test_batch_size, num_test)

# Get the images from the test-set between index i and j.
images = data.x_test[i:j, :]

# Get the associated labels.
labels = data.y_test[i:j, :]

# Create a feed-dict with these images and labels.
feed_dict = {x: images,
y_true: labels}

# Calculate the predicted class using TensorFlow.
cls_pred[i:j] = session.run(y_pred_cls, feed_dict=feed_dict)

# Set the start-index for the next batch to the
# end-index of the current batch.
i = j
# Convenience variable for the true class-numbers of the test-set.
cls_true = data.y_test_cls

# Create a boolean array whether each image is correctly classified.
correct = (cls_true == cls_pred)

# Calculate the number of correctly classified images.
# When summing a boolean array, False means 0 and True means 1.
correct_sum = correct.sum()

# Classification accuracy is the number of correctly classified
# images divided by the total number of images in the test-set.
acc = float(correct_sum) / num_test

# Print the accuracy.
msg = "Accuracy on Test-Set: {0:.1%} ({1} / {2})"
print(msg.format(acc, correct_sum, num_test))

# Plot some examples of mis-classifications, if desired.
if show_example_errors:
print("Example errors:")
plot_example_errors(cls_pred=cls_pred, correct=correct)

# Plot the confusion matrix, if desired.
if show_confusion_matrix:
print("Confusion Matrix:")
plot_confusion_matrix(cls_pred=cls_pred)
複製程式碼

print_test_accuracy()
optimize(num_iterations=900)
print_test_accuracy(show_example_errors=True)
複製程式碼