Tensorflow训练CIFAR10源代码

最近看到tensorflow训练cifar10数据集，说实话相比于mnist数据集，cifar10有了一个质的飞跃，从单通道灰度图像转变到三通道彩色图像。

cifar10

下面来简单介绍下cifar10数据集，该数据集共有60000张彩色图像，这些图像是32*32*3，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。Tensorflow自带有cifar的例子，可以在线下载cifar数据集，也可以离线下载，然后读取数据，在这里主要讲解如何搭建训练工程。下面请看代码：

import cifar10,cifar10_input
import tensorflow as tf
import numpy as np
import timemax_steps = 3000
batch_size = 128
data_dir = 'C:\\Users\\new\\Desktop\\cifar-10-batches-bin'def variable_with_weight_loss(shape, stddev, wl):var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))if wl is not None:weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')tf.add_to_collection('losses', weight_loss)return vardef loss(logits, labels):
#      """Add L2Loss to all the trainable variables.
#      Add summary for "Loss" and "Loss/avg".
#      Args:
#        logits: Logits from inference().
#        labels: Labels from distorted_inputs or inputs(). 1-D tensor
#                of shape [batch_size]
#      Returns:
#        Loss tensor of type float.
#      """
#      # Calculate the average cross entropy loss across the batch.
#将labels数据格式转换为int64labels = tf.cast(labels, tf.int64)cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='cross_entropy_per_example')cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')tf.add_to_collection('losses', cross_entropy_mean)# The total loss is defined as the cross entropy loss plus all of the weight# decay terms (L2 loss).return tf.add_n(tf.get_collection('losses'), name='total_loss')###images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,batch_size=batch_size)images_test, labels_test = cifar10_input.inputs(eval_data=True,data_dir=data_dir,batch_size=batch_size)
#images_train, labels_train = cifar10.distorted_inputs()
#images_test, labels_test = cifar10.inputs(eval_data=True)image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
label_holder = tf.placeholder(tf.int32, [batch_size])#logits = inference(image_holder)weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
#将w*x和b加起来
conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],padding='SAME')
#LRN为局部响应归一化，一般在激活或者池化后使用，让强信号更强，弱信号更弱，通常很少使用，被dropout等方法替代
norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],padding='SAME')#在这里通过reshape函数把结构化数据转变成向量数据格式，这一步就是把卷积层转换为全连接层
reshape = tf.reshape(pool2, [batch_size, -1])#这里是因为数据是以batch_size个存储的，不是单个，其实就是batch_size*单个数据
dim = reshape.get_shape()[1].value
weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
bias4 = tf.Variable(tf.constant(0.1, shape=[192]))
local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
logits = tf.add(tf.matmul(local4, weight5), bias5)
#总的损失函数
loss = loss(logits, label_holder)train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72top_k_op = tf.nn.in_top_k(logits, label_holder, 1)sess = tf.InteractiveSession()
tf.global_variables_initializer().run()tf.train.start_queue_runners()
###
for step in range(max_steps):start_time = time.time()image_batch,label_batch = sess.run([images_train,labels_train])_, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch, label_holder:label_batch})duration = time.time() - start_timeif step % 10 == 0:examples_per_sec = batch_size / durationsec_per_batch = float(duration)format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))###
num_examples = 10000
import math
num_iter = int(math.ceil(num_examples / batch_size))
true_count = 0
total_sample_count = num_iter * batch_size
step = 0
while step < num_iter:image_batch,label_batch = sess.run([images_test,labels_test])predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,label_holder:label_batch})true_count += np.sum(predictions)step += 1precision = true_count / total_sample_count
print('precision @ 1 = %.3f' % precision)

Tensorflow训练CIFAR10源代码相关推荐

[深度学习-实践]Tensorflow 2.x应用ResNet SeNet网络训练cifar10数据集的模型在测试集上准确率 86%-87%，含完整代码
环境 tensorflow 2.1 最好用GPU Cifar10数据集 CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题.任务的目标对一组32x32 RGB的图像进行分类,这个数据集涵 ...
使用猫狗大战数据集进行一次完整的TensorFlow训练
1.简介一直想将图片制作成tfrecords文件,然后在模型中运行一下.最初想用的数据集是mnist,但是跑的过程中一直出现问题.找到这一篇知乎上的博客,写的非常不错. 原博客地址:https:// ...
TensorFlow基于cifar10数据集实现进阶的卷积网络
TensorFlow基于cifar10数据集实现进阶的卷积网络学习链接 CIFAR10模型及数据集介绍综述 CIFAR10数据集介绍 CIFAR10数据集可视化 CIFAR10模型 CIFAR10 ...
将TensorFlow训练的模型移植到Android手机
2019独角兽企业重金招聘Python工程师标准>>> 前言本文中出现的TF皆为TensorFlow的简称. 先说两句题外话吧,TensorFlow 前两天热热闹闹的发布了正式版r ...
将TensorFlow训练好的模型迁移到Android APP上（TensorFlowLite）
将TensorFlow训练好的模型迁移到Android APP上(TensorFlowLite) 1. 写在前面最近在做一个数字手势识别的APP(关于这个项目,我会再写一篇博客仔细介绍,博客地址 ...
【深度学习】训练CIFAR-10数据集实现分类加测试
网上有很多博主写的训练CIFAR-10的代码,本次只是单纯记录一下自己调试的一个程序,对于初学深度学习的小白可以参考,如有不对,请多多见谅!!! 一.CIFAR-10数据集由10个类的60000个32 ...
Tensorflow学习笔记6：解决tensorflow训练过程中GPU未调用问题
Tensorflow学习笔记6:解决tensorflow训练过程中GPU未调用问题参考文章: (1)Tensorflow学习笔记6:解决tensorflow训练过程中GPU未调用问题 (2)http ...
使用TensorFlow训练WDL模型性能问题定位与调优
简介 TensorFlow是Google研发的第二代人工智能学习系统,能够处理多种深度学习算法模型,以功能强大和高可扩展性而著称.TensorFlow完全开源,所以很多公司都在使用,但是美团点评在使用 ...
使用PaddleFluid和TensorFlow训练序列标注模型
专栏介绍:Paddle Fluid 是用来让用户像 PyTorch 和 Tensorflow Eager Execution 一样执行程序.在这些系统中,不再有模型这个概念,应用也不再包含一个用于描述 ...
使用PaddleFluid和TensorFlow训练RNN语言模型
专栏介绍:Paddle Fluid 是用来让用户像 PyTorch 和 Tensorflow Eager Execution 一样执行程序.在这些系统中,不再有模型这个概念,应用也不再包含一个用于描述 ...

Tensorflow训练CIFAR10源代码

cifar10

Tensorflow训练CIFAR10源代码相关推荐

最新文章

热门文章