tensorflow随笔——简单的卷积神经网络分类实例

下例是用tensorflow写的2层cnn+2层fc的一个卷积神经网络做mnist的分类例子，旨在简单明了，过一遍TF代码的分类流程。

实例只有两个文件：

train.py:数据读取，模型训练。

# coding=utf-8
import tensorflow as tf
import model
import os
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('dataset/', one_hot=True)tf.app.flags.DEFINE_integer('image_width', 28, 'width of image')
tf.app.flags.DEFINE_integer('image_height', 28, 'height of image')
tf.app.flags.DEFINE_integer('channel', 1, 'channel of image')
tf.app.flags.DEFINE_float('keep_drop', 1.0, 'keep drop out')
tf.app.flags.DEFINE_float('lr', 0.001, 'learning rate')
tf.app.flags.DEFINE_integer('batch_size', 32, 'batch size')
tf.app.flags.DEFINE_integer('epochs', 100, 'num of epoch')
tf.app.flags.DEFINE_integer('num_classes', 10, 'num of class')
tf.app.flags.DEFINE_string('checkpoints', './checkpoints/model.ckpt', 'path of checkpoints')
tf.app.flags.DEFINE_boolean('continue_training', False, 'continue')
FLAGS = tf.app.flags.FLAGSdef main(_):input = tf.placeholder(dtype=tf.float32, shape=[None, FLAGS.image_width*FLAGS.image_height])output = tf.placeholder(dtype=tf.int32, shape=[None, FLAGS.num_classes])# Control GPU resource utilizationconfig = tf.ConfigProto(allow_soft_placement=True)config.gpu_options.allow_growth = Truesess = tf.Session(config=config)# build networklogits = model.build(input, FLAGS.image_height, FLAGS.image_width, FLAGS.channel, FLAGS.keep_drop, True)# losscross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=output))# optimitertrain_op = tf.train.AdamOptimizer(FLAGS.lr).minimize(cross_entropy)# evalutioncorrect_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(output, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float'))with sess.as_default():# initialsaver = tf.train.Saver(max_to_keep=1000)sess.run(tf.global_variables_initializer())# Restore weights fileif FLAGS.continue_training:saver.restore(sess, FLAGS.checkpoints)# begin trainfor epoch in range(FLAGS.epochs):for k in range(int(mnist.train.num_examples / FLAGS.batch_size)):batch = mnist.train.next_batch(FLAGS.batch_size)_, network, loss, acc = sess.run([train_op, logits, cross_entropy, accuracy], feed_dict={input: batch[0], output: batch[1]})print('loss : %f accuracy : %f'% (loss, acc))print('精确率:', accuracy.eval({input: mnist.test.images, output: mnist.test.labels}))# Create directories if neededif not os.path.isdir("checkpoints"):os.makedirs("checkpoints")saver.save(sess, "%s/model.ckpt" % ("checkpoints"))if __name__ == '__main__':tf.app.run()

model.py：网络搭建。

import tensorflow as  tf
import numpy as npdef 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')def max_pool(x):return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')def build(inputs, height, width, channel, keep_drop, train):x_image = tf.reshape(inputs, [-1, height, width, channel])# block_1weight_1 = weight_variable(([5, 5, 1, 32]))bias_1 = bias_variable([32])conv_1 = tf.nn.relu(conv2d(x_image, weight_1) + bias_1)pool_1 = max_pool(conv_1)# block_2weight_2 = weight_variable([5, 5, 32, 64])bias_2 = bias_variable([64])conv_2 = tf.nn.relu(conv2d(pool_1, weight_2) + bias_2)pool_2 = max_pool(conv_2)# fc_1fc_weight_1 = weight_variable([7 * 7 * 64, 1024])fc_bias_1 = bias_variable([1024])flat = tf.reshape(pool_2, [-1, 7 * 7 * 64])fc_1 = tf.nn.relu(tf.matmul(flat, fc_weight_1) + fc_bias_1)# Dropoutif train == True:fc_1 = tf.nn.dropout(fc_1, keep_prob=keep_drop)fc_weight_2 = weight_variable([1024, 10])fc_bias_2 = bias_variable([10])logits = tf.nn.softmax(tf.matmul(fc_1, fc_weight_2) + fc_bias_2)return logits

运行结果：

loss : 1.461150 accuracy : 1.000000
loss : 1.461150 accuracy : 1.000000
loss : 1.461150 accuracy : 1.000000
loss : 1.461150 accuracy : 1.000000
loss : 1.461150 accuracy : 1.000000
loss : 1.461150 accuracy : 1.000000
精确率: 0.9924

本例子结构非常简单，如有细节上或其他问题欢迎留言讨论。

tensorflow随笔——简单的卷积神经网络分类实例相关推荐

tensorflow随笔——简单的循环神经网络分类实例
继上一篇用简单的卷积神经网络做mnist分类之后,本篇文章采用RNN替换CNN写了一个mnist分类实例.实例中包含两个文件: train.py:数据加载和训练代码. # coding=utf-8 i ...
深度学习之利用TensorFlow实现简单的卷积神经网络（MNIST数据集）
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习 ...
tensorflow 搭建简单的卷积神经网络，输入二维数组完成分类
目录一.数据处理二.搭建cnn模型三.训练并测试模型一.数据处理导入数据 #导入数据 X=pd.read_csv('data.csv',header=None) X=np.array(tes ...
Pytorch:手把手教你搭建简单的卷积神经网络(CNN)，实现MNIST数据集分类任务
关于一些代码里的解释,可以看我上一篇发布的文章,里面有很详细的介绍!!! 可以依次把下面的代码段合在一起运行,也可以通过jupyter notebook分次运行第一步:基本库的导入 import n ...
CV之IC之AlexNet：基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用
CV之IC之AlexNet:基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用目录基于tensorflow框架采用CNN(改进 ...
简单的卷积神经网络，实现手写英文字母识别
简单的卷积神经网络,实现手写英文字母识别 1 搭建Python运行环境(建议用Anaconda),自学Python程序设计安装Tensorflow.再安装Pycharm等环境.(也可用Pytorch ...
吴恩达深度学习课程笔记（四）：卷积神经网络2 实例探究
吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 2.1 为什么要进行实例探究 2.2 经典网络 LeNet-5 AlexNet VGG- ...
ubuntu16.04 简单的卷积神经网络 cpu和gpu训练时间对比
我的电脑配置: cpu:i5-4200H gpu:gtx 950M 昨天测试了训练一般的神经网络使用cpu和gpu各自的速度,使用gpu比使用cpu大概能节省42%的时间,当时我以为这么个程度已经很不 ...
【机器学习】百度飞桨AI Studio平台项目：基于卷积神经网络分类方法的人脸颜值打分
基于卷积神经网络分类方法的人脸颜值打分说在前面实验数据解决过程 1.Precondition 2.Dataset Preparation 3.Network Configuration 4.Mo ...

tensorflow随笔——简单的卷积神经网络分类实例

tensorflow随笔——简单的卷积神经网络分类实例相关推荐

最新文章

热门文章