TensorFlow官方文档中文版-笔记(六)
2017-11-02 22:10
337 查看
复杂的CNN(加入trick)
为与中文文档同步做个笔记,没细研究。完整代码如下:
# TensorFlow进阶-实现进阶的CNN from CNN import cifar10, cifar10_input import math import tensorflow as tf import numpy as np import time max_steps = 3000 batch_size = 128 data_dir = 'cifar-10-batches-py/' def variable_with_weight_loss(shape, stddev, w1): var = tf.Variable(tf.truncated_normal(shape, stddev=stddev)) if w1 is not None: # 使用w1控制L2 loss的大小,使用tf.nn.l2_loss计算weight的L2 loss,再使用tf.multiply让L2 loss乘以w1,得到最后的weight loss. weight_loss = tf.multiply(tf.nn.l2_loss(var), w1, name='weight_loss') # 使用add_to_collection把weight loss统一存到一个collection,在后面计算神经网络总体loss时被用上 tf.add_to_collection('losses', weight_loss) return var # 产生训练需要使用的数据,包括特征及其对应的label,每次执行时都会生成一个batch_size的数量的样本。(对数据进行了数据增强,Data Augmentation) # distorted_inputs需要耗费大量CPU时间,因因此它使用了16个独立的线程来加速任务,函数内部会产生线程池,在需要使用时会通过TensorFlow queue进行调度 images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir, batch_size=batch_size) # 产生测试数据 images_test, labels_test = cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size) # 特征,batch_size在之后定义网络结构时被用到,故数据尺寸中的第一个值即样本条数需要被预先设定,不能再设置为None # 图片尺寸为24*24,即裁剪后的大小;颜色通道数设为3,代表图片是彩色有RGB三条通道 image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3]) label_holder = tf.placeholder(tf.int32, [batch_size]) # 第一个卷积层使用5*5的卷积核大小,3个颜色通道,64个卷积核,weight初始化函数的标准差为0.05,不对第一个卷积层的weight进行L2正则,因此w1设为0 weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, w1=0.0) # 对输入数据image_holder进行卷积操作 kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME') bias1 = tf.Variable(tf.constant(0.0, shape=[64])) conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1)) # 使用尺寸3*3且步长为2*2的最大池化层处理数据 pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME') # LRN对结果进行处理 # LRN层模仿了生物神经系统的"侧抑制"机制,对局部神经元的活动创建竞争环境,使得其中响应比较大的值变得相对更大,并抑制其他反馈较小的神经元,增强了模型的泛化能力 # LRN对RELU这种没有上限边界的激活函数比较有用,因为它会从附近的多个卷积核的响应中挑选比较大的反馈,但不适合sigmod这种有固定边界且能抑制过大值得激活函数 norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75) # 第二个卷积层,与第一个略微不同 # 3->64 weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, w1=0.0) kernel2 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME') # 0.0->0.1 bias2 = tf.Variable(tf.constant(0.1, shape=[64])) conv2 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1)) # norm层、pool层顺序调换 norm2 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75) pool2 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME') # 两个卷积层后,使用一个全连接层 # 把第二个卷积层的输出结果flatten,将每个样本变成一维向量 reshape = tf.reshape(pool2, [batch_size, -1]) # 获取数据扁平化后的长度 dim = reshape.get_shape()[1].value # 对全连接层weight进行初始化,隐含节点数384 # 需要这个全连接层不要过拟合,因此设了一个非零的weight loss值0.004,让这层所有参数都被L2正则所约束 weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, w1=0.004) bias3 = tf.Variable(tf.constant(0.1, shape=[384])) local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3) # 这个全连接层与前一层很像,只是隐含节点数下降了一半,只有192个,其他超参数不变 weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, w1=0.004) bias4 = tf.Variable(tf.constant(0.1, shape=[192])) local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4) # 最后一层,与之前使用softmax输出最后结果不同,这里把softmax的操作放在了计算loss的部分 weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1 / 192.0, w1=0.0) bias5 = tf.Variable(tf.constant(0.0, shape=[10])) logits = tf.add(tf.matmul(local4, weight5), bias5) # conv1 卷积层和RELU激活函数 # pool1 最大池化 # norm1 LRN # conv2 卷积层和RELU激活函数 # norm2 LRN # pool2 最大池化 # local3 全连接层和RELU激活函数 # local4 全连接层和RELU激活函数 # logits 模型inference的输出结果 # 以上为模型inference部分的构建,接下来计算CNN的loss def loss(logits, labels): labels = tf.cast(labels, tf.int64) # 把softmax的计算和cross entropy loss的计算合在一起 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) return tf.add_n(tf.get_collection('losses'), name='total_loss') # 将logits节点和label_holder传入loss函数获得最终的loss loss = loss(logits, label_holder) train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) # 求输出结果top k的准确率,默认top 1,即输出分数最高的那一类的准确率 top_k_op = tf.nn.in_top_k(logits, label_holder, 1) sess = tf.InteractiveSession() tf.global_variables_initializer().run() # 启动线程(必须的操作,否则后续inference及训练无法开始) tf.train.start_queue_runners() # 开始训练 for step in range(max_steps): start_time = time.time() # 先使用session的run方法执行images_train, labels_train的计算,获得一个batch的训练数据 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_time if step % 10 == 0: examples_per_sec = batch_size / duration sec_per_batch = float(duration) print('step %d,loss=%.2f (%.1f examples/sec; %.3f sec/batch)' % ( step, loss_value, examples_per_sec, sec_per_batch)) # 评测在测试集上的准确率 num_examples = 10000 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 += 1 precision = true_count / total_sample_count print('precision @ 1 = %.3f' % precision)
相关文章推荐
- TensorFlow官方文档中文版-笔记(四)
- TensorFlow官方文档中文版-笔记(七)
- TensorFlow官方文档中文版-笔记(三)
- TensorFlow官方文档中文版-笔记(一)
- TensorFlow官方文档中文版-笔记(二)
- TensorFlow官方文档中文版-笔记(五)
- TensorFlow官方文档中文版-笔记(八)
- 深度学习框架TensorFlow 官方文档中文版
- TensorFlow 官方文档中文版
- TensorFlow 官方文档中文版【转】
- Wiki 人工智能 深度学习 TensorFlow 官方文档中文版
- TensorFlow 官方文档中文版
- tensorflow学习笔记十七:tensorflow官方文档学习 Vector Representations of Words
- 人工智能系统Google开源的TensorFlow官方文档中文版
- TensorFlow 官方文档中文版解读之2——tf.sparse_to_dense的用法
- TensorFlow 官方文档中文版
- tensorflow学习笔记十七:tensorflow官方文档学习 Convolutional Neural Networks
- TensorFlow 官方文档中文版解读之1 ——tf.concat的用法的用法
- tensorflow学习笔记十六:tensorflow官方文档学习 如何训练Inception v3模型最后一层
- TensorFlow 官方文档中文版