Tensorflow实现卷积神经网络的详细代码


            本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下



1.概述

定义：

卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。



卷积层（convolutional layer）：

对输入数据应用若干过滤器，一个输入参数被用来做很多类型的提取。



池化层（Pooling Layer）：

也叫子采样层，缩减数据的规模



2. 代码实现

首先要导入mnist数据，下载地址



训练数据：60000*784，训练标签：60000*10 

测试数据：10000*784，测试标签：10000*10





#导入mnist数据

import input_data

mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

# start tensorflow interactiveSession

import tensorflow as tf

sess = tf.InteractiveSession()



# weight initialization

#初始化时加入轻微噪声，来打破对称性，防止零梯度问题

#权重初始化

def weight_variable(shape):

 #截断正态分布

 initial = tf.truncated_normal(shape, stddev=0.1)

 return tf.Variable(initial)



#偏置初始化

def bias_variable(shape):

 initial = tf.constant(0.1, shape = shape)

 return tf.Variable(initial)



# convolution卷积

#卷积使用1步长(stride size)，0边距(padding size)的模板，

#padding='SAME'说明在

#保证输出和输入是同一个大小

def conv2d(x, W):

 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

# pooling池化

#把特征图像区域的一部分求个均值或者最大值，用来代表这部分区域。

#如果是求均值就是mean pooling，求最大值就是max pooling。

#池化用简单传统的2x2大小的模板做max pooling

def max_pool_2x2(x):

 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')





# 输入任意数量的图像，每一张图平铺成784维向量

x = tf.placeholder("float", [None, 784])

# target为10维标签向量

y_ = tf.placeholder("float", [None, 10])

# 权重是784*10，偏置值是[10]

W = tf.Variable(tf.zeros([784,10]))

b = tf.Variable(tf.zeros([10]))

# y=x*W+b

y = tf.nn.softmax(tf.matmul(x,W) + b)



# 第一个卷积层

# 权重是一个 [5, 5, 1, 32] 的张量，前两个维度是patch的大小，

# 接着是输入的通道数目，最后是输出的通道数目。

# 输出对应一个同样大小的偏置向量。

w_conv1 = weight_variable([5, 5, 1, 32])

b_conv1 = bias_variable([32])

# 为了用这一层，我们把 x 变成一个4d向量，

# 第2、3维对应图片的宽高，最后一维代表颜色通道。

x_image = tf.reshape(x, [-1, 28, 28, 1])

'''

x_image 和权值向量进行卷积相乘，加上偏置，

使用ReLU激活函数，最后max pooling

'''

#h_conv1由于步长是1，输出单张图片大小不变是[28,28]

h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)

#h_pool1由于步长是2，输出单张图片大小减半[14,14]

h_pool1 = max_pool_2x2(h_conv1)



# 第二个卷积层

'''

为了构建一个更深的网络，我们会把几个类似的层堆叠起来。

第二层中，每个5x5的patch会得到64个特征。

'''

w_conv2 = weight_variable([5, 5, 32, 64])

b_conv2 = bias_variable([64])



#h_conv2由于步长是1，输出单张图片大小不变是[14,14]

h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)

#h_pool2由于步长是2，输出单张图片大小减半[7,7]

h_pool2 = max_pool_2x2(h_conv2)



# densely connected layer密集连接层

'''

现在，图片降维到7x7，我们加入一个有1024个神经元的全连接层，

用于处理整个图片。我们把池化层输出的张量reshape成一些向量，

乘上权重矩阵，加上偏置，使用ReLU激活。

'''

w_fc1 = weight_variable([7*7*64, 1024])

b_fc1 = bias_variable([1024])



h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])

h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)



# dropout

'''

为了减少过拟合，我们在输出层之前加入dropout。我们用一个 placeholder 来代表一个神经元在dropout中被保留的概率。

这样我们可以在训练过程中启用dropout，在测试过程中关闭dropout。 

TensorFlow的 操作会自动处理神经元输出值的scale。

所以用dropout的时候可以不用考虑scale。

'''

keep_prob = tf.placeholder("float")

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)



# readout layer

#添加一个softmax层，就像前面的单层softmax regression一样

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)

'''

我们会用更加复杂的ADAM优化器来做梯度最速下降，

在 feed_dict 中加入额外的参数keep_prob来控制dropout比例。

然后每100次迭代输出一次日志。

'''

# train and evaluate the model训练和评价模型

#计算交叉熵

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))

#梯度下降求最小交叉熵

train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)

#train_step = tf.train.AdagradOptimizer(1e-5).minimize(cross_entropy)

#检测我们的预测是否真实标签匹配

correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))

#把布尔值转换成浮点数，然后取平均值

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

#初始化变量

sess.run(tf.initialize_all_variables())

for i in range(20000):

 #随机抓取训练数据中的50个批处理数据点，然后我们用这些数据点作为参数替换 之前的占位符来运行train_step

 batch = mnist.train.next_batch(50)

 #每100次打印下

 if i%100 == 0:

  train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})

  print "step %d, train accuracy %g" %(i, train_accuracy)

 train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})



print "test accuracy %g" % accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0})



以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持中文源码网。