tensorflow 进阶(四)---CNN
#!/usr/bin/python#这是一个很经典的cnn 入门教程了import tensorflow as tf
import sys
from tensorflow.examples.tutorials.mnist import input_data#定以权重变量,初始状态是一个随机数
#https://blog.csdn.net/u013713117/article/details/65446361/
#tf.truncated_normal 截断正太分布,下面函数中随机数取自(0-0.1×标准差,0+0.1×标准差)
#用截断正太分布的原因应该是避免有些奇异值导致某些神经元不工作def weight_variable(shape):initial = tf.truncated_normal(shape, stddev=0.1)return tf.Variable(initial)#bias 采用0.1的常数
def bias_variable(shape):initial = tf.constant(0.1, shape=shape)return tf.Variable(initial)#二维卷积,x是输入,W是卷积核的参数,
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')mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)sess = tf.InteractiveSession()x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])#数据的输入是28*28的矩阵x_image = tf.reshape(x, [-1, 28, 28, 1])#在这个函数下,W_conv1 = weight_variable([5, 5, 1, 32])
#表示卷积核的大小是5*5,因为图像是灰度图只有一个通道,32表示有32个卷积核
#对于stride=1*1的卷积,并且padding=SAME,那么卷积后的图像和卷积前的图像,有相同的shape,conv1的shape是28*28*32
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
#由于池化层的stride 是2*2,padding=SAME,那么每池化一次,shape降低一半,pool1的shape是14*14*32
h_pool1 = max_pool_2x2(h_conv1)W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])#输入层pool1层,对pool1层进行一次卷积,pool1层 的shape是14*14*32,conv2的shape也是14*14*64
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)# Now image size is reduced to 7*7#pool2的shape是7*7*64
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])print(h_pool2_flat.shape)
print(W_fc1.shape)
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)print(h_fc1.shape)keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
print(h_fc1_drop.shape)
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)print(y_conv.shape)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 %.3f"%(i, train_accuracy))train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})print ("Training finished")print ("test accuracy %.3f" % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
tensorflow 进阶(四)---CNN相关推荐
- 基于Tensorflow + Opencv 实现CNN自定义图像分类
摘要:本篇文章主要通过Tensorflow+Opencv实现CNN自定义图像分类案例,它能解决我们现实论文或实践中的图像分类问题,并与机器学习的图像分类算法进行对比实验. 本文分享自华为云社区< ...
- 基于TensorFlow实现的CNN神经网络 花卉识别系统Demo
基于TensorFlow实现的CNN神经网络 花卉识别系统Demo Demo展示 登录与注册 主页面 模型训练 识别 神经网络 训练 Demo下载 Demo展示 登录与注册 主页面 模型训练 识别 神 ...
- CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别
CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别 目录 基于tensorflow框架采用CNN(改进的AlexNet, ...
- [Python人工智能] 十.Tensorflow+Opencv实现CNN自定义图像分类案例及与机器学习KNN图像分类算法对比
从本专栏开始,作者正式开始研究Python深度学习.神经网络及人工智能相关知识.前一篇详细讲解了gensim词向量Word2Vec安装.基础用法,并实现<庆余年>中文短文本相似度计算及多个 ...
- TensorFlow 2.0 - CNN / 预训练 / RNN
文章目录 1. CNN 卷积神经网络 2. 预训练模型 3. RNN 循环神经网络 学习于:简单粗暴 TensorFlow 2 1. CNN 卷积神经网络 卷积神经网络,卷积后尺寸计算 tf.kera ...
- 基于神经网络的人脸识别(Tensorflow,opencv,dlib,cnn,)
写个神经网络(Tensorflow,opencv,dlib,cnn,人脸识别) lvying 20180427 基于TensorFlow训练的人脸识别神经网络 训练一个神经网络 这段时间正在学习ten ...
- Tensorflow 进阶学习
Tensorflow 进阶学习 学习一个GAN网络代码,在train函数中,出现了如下调用tf的函数: def train(self):update_ops = tf.get_collection(t ...
- Tensorflow学习四---高阶操作
Tensorflow学习四-高阶操作 Merge and split 1.tf.concat 拼接 a = tf.ones([4,32,8]) b = tf.ones([2,32,8]) print( ...
- JavaScript进阶(四)
JavaScript进阶(四) 2019版黑马程序员javaScript进阶面向对象ES6 122集教程,哔哩哔哩链接:https://www.bilibili.com/video/BV1Kt411w ...
最新文章
- opencv学习之路(25)、轮廓查找与绘制(四)——正外接矩形
- 薪酬管理的特点和注意事项[转]
- pytest allure测试报告_Appium+pytest+allure+jenkins如何实现多台手机连接
- SonarQube 代码扫描任务集成
- 运行roscore时候报错 Unable to contact my own server at 及 小海龟动不了的问题
- 牛客多校 - B-Suffix Array(后缀数组)
- 从零实现一个http服务器
- 信息学奥赛一本通(1320:【例6.2】均分纸牌(Noip2002))
- zynq tcp如何从网口发数据_基于TCP/IP协议的电口通信
- iOS 文字样式处理总结(字体、前背景色、斜体、加粗、对齐、行间距、段间距、动态获取字符串label宽高等)...
- Linux 进程优先级以及环境变量
- 人生苦短之---第一个Python程序
- java中三种方法_Java文件I/O的三种方法
- 基于JDBC从数据库中读取数据,在百度地图批量标注地点
- Android 视频直播 ( 从快播到直播,从高清到无码 )十年视频开发项目
- 书单:《人人都是产品经理》附录书单
- 折叠屏要来了,适配逼死 Android 开发?谷歌有办法!
- MDM移动设备管理概述
- 上海租房。20160420
- 你以为Shell只是命令行?读懂这篇文,给你的工作赋能