记录MNIST采用卷积方式实现与理解
从时间上来说,这篇文章写的完了,因为这个实验早就做完了;但从能力上来说,这篇文章出现的早了,因为很多地方我都还没有理解。如果不现在写,不知道什么时候会有时间是其一,另外一个原因是怕自己过段时间忘记。
1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 4 # @Author : mario 5 # @File : mnist_faltung.py 6 # @Project : base 7 # @Time : 2018-12-19 14:11:38 8 # @Desc : File is ... 9 10 import tensorflow as tf 11 from tensorflow.examples.tutorials.mnist import input_data 12 13 mnist = input_data.read_data_sets("data/", one_hot=True) 14 15 16 def init_weight_variable(shape): 17 initial = tf.truncated_normal(shape, stddev=0.1) 18 return tf.Variable(initial) 19 20 21 def init_bias_variable(shape): 22 initial = tf.constant(0.1, shape=shape) 23 return tf.Variable(initial) 24 25 26 def conv2d(x, W): 27 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding="SAME") 28 29 30 def max_pool_2x2(x): 31 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME") 32 33 34 x = tf.placeholder(tf.float32, [None, 784]) 35 y_ = tf.placeholder(tf.float32, [None, 10]) 36 37 W_conv_1 = init_weight_variable([5, 5, 1, 32]) 38 b_conv_1 = init_bias_variable([32]) 39 40 x_image = tf.reshape(x, [-1, 28, 28, 1]) 41 42 h_conv_1 = tf.nn.relu(conv2d(x_image, W_conv_1) + b_conv_1) 43 h_pool_1 = max_pool_2x2(h_conv_1) 44 45 W_conv_2 = init_weight_variable([5, 5, 32, 64]) 46 b_conv_2 = init_bias_variable([64]) 47 48 h_conv_2 = tf.nn.relu(conv2d(h_pool_1, W_conv_2) + b_conv_2) 49 h_pool_2 = max_pool_2x2(h_conv_2) 50 51 W_fc_1 = init_weight_variable([7 * 7 * 64, 1024]) 52 b_fc_1 = init_bias_variable([1024]) 53 54 h_pool_flat = tf.reshape(h_pool_2, [-1, 7 * 7 * 64]) 55 h_fc_1 = tf.nn.relu(tf.matmul(h_pool_flat, W_fc_1) + b_fc_1) 56 57 keep_prob = tf.placeholder(tf.float32) 58 h_fc1_drop = tf.nn.dropout(h_fc_1, keep_prob) 59 60 W_fc_2 = init_weight_variable([1024, 10]) 61 b_fc_2 = init_bias_variable([10]) 62 63 y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc_2) + b_fc_2) 64 65 cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv)) 66 train_step = tf.train.AdagradOptimizer(1e-4).minimize(cross_entropy) 67 68 sess = tf.InteractiveSession() 69 init = tf.global_variables_initializer() 70 sess.run(init) 71 72 for _ in range(20000): 73 batch = mnist.train.next_batch(50) 74 train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 75 76 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) 77 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 78 79 print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
python版本:Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 05:52:31) ;tensor flow版本:1.12.0
10、11行:导入必要模块
13行:加载本地的数据
16~18行:定义初始化权重变量函数
21~23行:定义初始化偏置变量函数
26~27行:定义一个步长为1,边距为0的2x2的卷积函数
30~31行:定义一个2x2的池化函数
34、35行:定义占位符x和y_,其中x是为了接收原始数据,y_是为了接受原始数据标签
37、38行:初始化第一层卷积权重和偏置量
40行:重塑原始数据结构,我们要把[n,784]这样的数据结构转换成卷积需要的[n,28,28,1],这里的n是指数据量,原始数据是将28x28像素的图片展开为784,卷积相当于我们先将数据还原为28x28,最后的1是指通道数
42、43行:进行卷积操作,并将卷积结果池化
45~49行:进行第二次卷积操作,同样也是将卷积结果池化
51~61行:使用ReLU,其中57行和58行是为了防止过拟合
63行:使用softmax算法确定其分类
65行:计算交叉熵
66行:利用交叉熵,调用AdagradOptimizer算法,训练模型
68~70行:启用session,初始化变量
72~74行:每次50个训练20000次
76~79行:评估模型识别率
也是遇到了很多的问题,但几乎都是因为不理解代码造成的,虽然现在代码是改对了,但是不理解的地方还是有很多,而且很多概念也是不理解,并且不知道实际上是做了什么操作,比如说卷积、池化等,倒是做了什么?感觉这个还是需要后续了解的。“路漫漫其修远兮,吾将上下而求索”用在这里再合适不过了。
转载于:https://www.cnblogs.com/ben-mario/p/10180978.html
记录MNIST采用卷积方式实现与理解相关推荐
- 使用51单片机采用中断方式进行串口通信的学习记录:
使用51单片机进行串口通信的学习记录之中断方式: 1.51单片机采用中断方式的串口通信过程及程序分析: 所谓中断方式,就是串口收/发标志位出发中断后,在中断中执行既定操作,可通过函数调用来实现. 接收 ...
- Spring-Security (学习记录四)--配置权限过滤器,采用数据库方式获取权限
目录 1. 需要在spring-security.xml中配置验证过滤器,来取代spring-security.xml的默认过滤器 2. 配置securityMetadataSource,可以通过ur ...
- 卷积神经网络中不同类型的卷积方式介绍
之前在文章<<模型汇总_1>牛逼的深度卷积神经网络CNN>详细介绍了卷积神经网络的基本原理,以及常见的基本模型,如LeNet,VGGNet,AlexNet,ReseNet,In ...
- 卷积神经网络的深入理解-基础篇(卷积,激活,池化,误差反传)
卷积神经网络的深入理解-基础篇 一.卷积(convolution) 1.无padding时 2.有padding时 3.卷积与全连接 通道数(一般一张彩色图像为三通道RGB) 二.激活(激活函数)(持 ...
- 图卷积网络(GCN)简单理解
1. 预备知识 1.1 图网络的种类.区别和联系 Graph Embedding Graph Embedding指图嵌入,属于表示学习的范畴,也可以称为网络嵌入.图表示学习.网络表示学习等等. 具体可 ...
- yolov4项目记录7-Darknet模型构造方式
目录 一.概述 二.构造方式 1.配置文件 2.层的解析 ①卷积层 ②route层 ③shortcut层 ④upsample层 3.forward部分 ①流程 ②route部分 ③shortcut部分 ...
- python采用解释方式执行_Python初学(一)
<本系列性文章是根据一篇python教程来写的,如有侵权请联系管理员删除文章> 在学习Python之前要先知道什么是程序设计语言,也就是程序设计语言的概述是什么? 程序设计语言的概述: 程 ...
- wireshark的使用教程--用实践的方式帮助我们理解TCP/IP中的各个协议是如何工作的
wireshark的使用教程 --用实践的方式帮助我们理解TCP/IP中的各个协议是如何工作的 wireshark是一款抓包软件,比较易用,在平常可以利用它抓包,分析协议或者监控网络,是一个比较好的 ...
- 和卷积的区别_[CVPR2019]:最新高效卷积方式HetConv
最近放出来了一篇CVPR2019论文,文章提出了一种新的高效卷积方式:HetConv,在CIFAR10.ImageNet等数据集超过了标准卷积以及DW+PW的高效卷积组合形式,取得了更高的分类性能. ...
最新文章
- ping: sendto: Network is unreachable
- linux中录屏工具byzanz
- python多线程扫描_python实现多线程扫描网站目录
- Understanding JVM Internals---不得不转载呀
- zcmu1157: 新年彩灯Ⅱ(二维树状数组)
- CG CTF RE Hello,RE!
- WordPress响应式Alt_Blog主题 简约博客主题
- wait(3) - Linux man page
- 最小二乘法拟合多项式原理以及c++实现
- python 编写一个银行卡类,具有账号,人名与余额属性。编写提款机类,接收一张银行卡,并且具有存款,提款,查询余额,转账功能
- 大家推荐的入门心理学书籍
- 因为制作爬虫程序,我收到了警告
- flashfxp怎么传文件,小编教你flashfxp怎么传文件
- 语音机器人空号识别介绍
- hdu 2881 Jack's struggle(DP)
- python中turtle画小草_python 笔记 之带参数的装饰器
- 利用python中basemap库绘制地图
- CC00027.elasticsearch——|HadoopElasticSearch.V27|——|ELK.v27|集群|QueryDSL|高亮|
- Swift 属性与方法
- 【太虚AR_v0.1】使用教程 | SLAM(Markerless)