TensorFlow学习(11)——卷积神经网络
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data# ====================一、载入训练数据==============================
mnist = input_data.read_data_sets("../MNIST_data", one_hot=True)
batch_size = 100
n_batch = mnist.train.num_examples# 初始化权值
def weight_variable(shape):# 生成一个截断的正太分布initial = tf.truncated_normal(shape=shape, stddev=0.1)return tf.Variable(initial)# 初始化偏置值
def bias_variable(shape):initial = tf.constant(0.1, shape=shape)return tf.Variable(initial)# 卷积层
def conv2d(x, W):# x是输入的tensor,形状如[batch, in_height, in_width, in_channels],# 其中in_height和in_width表示图片的长宽,in_channels表示通道数,1表示黑白,3表示彩色# W是滤波器/卷积核,形如[filter_height, filter_width, in_channels, out_channels],# filter_height表示滤波器的高,其中包括输入通道in_channels和输出通道out_channels# strides是步长,其中strides[0]和strides[3]都固定等于1. strides[1]代表x方向的步长,strides[2]代表y方向的步长# pandding是边缘,"SAME"表示边缘补零,"VALID"表示不补零return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding="SAME")# 池化层
def max_pool_2x2(x):# ksize表示池化核的大小,形如[1,x,y,1],其中第0和3个位置都固定为1return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding="SAME")# ====================二、构造神经网络==============================
# 定义placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 把x还原会图片的样子,形如[batch, in_height, in_width, in_channels]
x_image = tf.reshape(x, [-1, 28, 28, 1])# 分析:
# 28*28的图片第一次卷积后还是28*28,卷积核为[1,1,1,1],所以不变;
# 第一次池化后变为14*14,因为池化核是[1,2,2,1],所以缩小了一半
# 第二次卷积后为14*14,第二次池化后变为了7*7
# 进过上面操作后得到64张7*7的平面# 初始化第一个卷积层的权值和偏置值
# 形状[filter_height, filter_width, in_channels, out_channels],in_channels表示输入通道数1,out_channels表示输出32个卷积核
W_conv1 = weight_variable([5,5,1,32])
# 每一个卷积核一个偏置值
b_conv1 = bias_variable([32])# 卷积操作,并通过激活函数
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1)+b_conv1)
# 池化操作
h_pool1 = max_pool_2x2(h_conv1)# 初始化第二个卷积层的权值和偏置值
W_conv2 = weight_variable([5,5,32,64])
b_conv2 = bias_variable([64])# 计算第二层卷积
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2)+b_conv2)
h_pool2 = max_pool_2x2(h_conv2)# -------------------------------------------------
# 定义第一层全连接层,7*7*64代表上一层的输出,1024是我们自己定义的
# 初始化
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])# 先把上面第二层的池化层[100, 7, 7, 64]还原为一维的形状,这里的-1表示任意值,类似于None
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
# 求第一层全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)# 添加Dropout操作
keep_pro = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_pro)# 初始化第二个全连接层(其实就是输出层)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)# ====================三、损失函数==============================
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))# ====================四、最小化损失函数==============================
train = tf.train.AdadeltaOptimizer(learning_rate=0.2).minimize(loss=loss)# 验证准确率
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))# ====================五、开始训练==============================
init = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)for step in range(1):for batch in range(n_batch):batch_xz, batch_yz = mnist.train.next_batch(batch_size=batch_size)result = sess.run(train, feed_dict={x:batch_xz, y:batch_yz, keep_pro:0.5})print("====batch====>"+str(batch)+"====accuracy====>"+str(sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_pro:0.5})))acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_pro:0.5})print("======最后的准确率======>"+str(acc))
结束线/
欢迎大家加入Q群讨论:463255841
结束线/
TensorFlow学习(11)——卷积神经网络相关推荐
- Tensorflow学习之 卷积神经网络 (一)什么是卷积?
这一节回顾一下卷积神经网络 第一张图是单通道的一张照片,在RGB中只有一个通道,即一个0-255的值来表示其灰度: 第二张图就是一张彩色的图片了,这里具有三个通道,也就是我们常见的RGB三个0-255 ...
- 深度学习之卷积神经网络(11)卷积层变种
深度学习之卷积神经网络(11)卷积层变种 1. 空洞卷积 2. 转置卷积 矩阵角度 转置卷积实现 3. 分离卷积 卷积神经网络的研究产生了各种各样优秀的网络模型,还提出了各种卷积层的变种,本节将重点介 ...
- 深度学习之卷积神经网络(2)卷积神经网络结构
深度学习之卷积神经网络(2)卷积神经网络结构 1. 单通道输入和单卷积核 2. 多通道输入和单卷积核 3. 多通道输入.多卷积核 4. 步长 5. 填充 卷积神经网络通过充分利用局部相关性和权值共享 ...
- 深度学习之卷积神经网络(1)什么是卷积
深度学习之卷积神经网络(1)什么是卷积 1. 全连接网络的问题 2. 局部相关性 3. 权值共享 4. 卷积运算 1. 全连接网络的问题 首先我们来分析全连接网络存在的问题.考虑一个简单的4层全连接 ...
- 深度学习~卷积神经网络(CNN)概述
目录 1. 卷积神经网络的形成和演变 1.1 卷积神经网络结构 1.2 卷积神经网络的应用和影响 1.3 卷积神经网络的缺陷和视图 1.3.1 缺陷:可能错分 1.3.2 解决方法:视图 ...
- 深度学习之卷积神经网络(12)深度残差网络
深度学习之卷积神经网络(12)深度残差网络 ResNet原理 ResBlock实现 AlexNet.VGG.GoogleLeNet等网络模型的出现将神经网络的法阵带入了几十层的阶段,研究人员发现网络的 ...
- 深度学习之卷积神经网络(10)CIFAR10与VGG13实战
深度学习之卷积神经网络(10)CIFAR10与VGG13实战 MNIST是机器学习最常用的数据集之一,但由于手写数字图片非常简单,并且MNIST数据集只保存了图片灰度信息,并不适合输入设计为RGB三通 ...
- 深度学习之卷积神经网络(8)BatchNorm层
深度学习之卷积神经网络(8)BatchNorm层 BatchNorm层概念 BatchNorm层实现 1. 向前传播 2. 反向更新 3. BN层实现 4. 完整代码 卷积神经网络的出现,网络参数量大 ...
- 深度学习之卷积神经网络(6)梯度传播
深度学习之卷积神经网络(6)梯度传播 在完成手写数字图片识别实战后,我们对卷积神经网络的使用有了初步的了解.现在我们来解决一个关键问题,卷积层通过移动感受野的方式实现离散卷积操作,那么它的梯度传播是 ...
最新文章
- ExtJS 4.x 得到资源树上任意的节点对象
- 曼哈顿距离和切比雪夫距离链接
- 对List中对象的去重
- bilibili源码_Java开源商城源码推荐,从菜鸡到大神,永远绕不开的商城系统
- 浅谈AsyncLocal,我们应该知道的那些事儿
- C#中结构体定义并转换字节数组
- 剑指offer:26-30记录
- VS Code 的常用快捷键
- 【Redis】redis基本数据结构之ZSet
- netty半包粘包 处理_老王:Netty到底是个什么鬼?有没有简单的理解方式?
- 黑马博客——详细步骤(一)路由跳转和抽取公共部分代码
- Linux系统中CPU忙闲的衡量——load和idle
- paip.连接access2003数据库python3.3以及php5对比
- ACM公约数和公倍数
- 东南亚跨境电商shopee平台有什么选品渠道?
- python保存对话框_python打开文件对话框的方法
- Java中Files工具类的使用
- uniapp 实时定位(系统、后台运行、支持息屏)插件 Ba-Location
- 华强北四代慧联A10|悦虎1562M怎么样?
- skycc供求信息发布软件 V8.5正式版
热门文章
- win10配置docker环境
- 微信 html自动加载js,微信小程序实现图片预加载组件
- 创建OMF(Oracle Managed Files,Oracle管理的文件)
- oracle 12c omf,从参数取值瞅Oracle OMF特性
- 改变生活的态度,突破瓶颈
- win10共享打印机搜索不到计算机,Win10 1909电脑中搜索不到共享打印机的解决方法...
- Wallpaper Engine使用视频壁纸黑屏解决方法(window10)
- Oculus/VR新手入门指南
- uniapp h5 海报
- 动物棋c语言程序,斗兽棋游戏手机版|斗兽棋游戏下载 v0.2C 安卓版_最火软件站...