Tensorflow 实现Lenet神经网络
2018-02-08 15:06
701 查看
直接上源码:
训练结果截图:
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("../data/", one_hot = True) #读图片数据集 sess = tf.InteractiveSession() #创建session #训练数据 xs = tf.placeholder("float", shape=[None,784]) #训练标签数据 ys = tf.placeholder("float", shape=[None, 10]) #把xs改成4维张量,第一维表示样本数量,第2维和第3维代表图像长宽, 第4维代表图像通道数, 1表示黑白 x_image = tf.reshape(xs, [-1, 28, 28, 1]) ##第一层: 卷积层 #过滤器大小为5*5,当前深度为1,过滤器深度为32 conv1_weights = tf.get_variable("conv1_weights", [5,5,1,32], initializer=tf.truncated_normal_initializer(stddev=0.1)) conv1_bias = tf.get_variable("conv1_bias", [32], initializer=tf.constant_initializer(0.0)) #移动步长为1,使用全0填充 conv1 = tf.nn.conv2d(x_image, conv1_weights, strides=[1,1,1,1], padding='SAME') #激活函数Relu relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_bias)) #28*28*32 ##第二层:最大池化层 pool1 = tf.nn.max_pool(relu1, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') #14*14*32 ##第三层:卷积层 conv2_weights = tf.get_variable("conv2_weights", [5,5,32,64], initializer=tf.truncated_normal_initializer(stddev=0.1)) #过滤器大小为5*5, 当前层深度为32, 过滤器的深度为64 conv2_bias = tf.get_variable("conv2_bias", [64], initializer=tf.constant_initializer(0.0)) conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1,1,1,1], padding='SAME') relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_bias)) #14*14*64 ##第四层:最大池化层 #池化层过滤器大小为2*2,,移动步长为2,使用全0填充 pool2 = tf.nn.max_pool(relu2, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') #7*7*64 #第5层,全连接层 fc1_weights = tf.get_variable("fc_weights", [7*7*64, 1024], initializer=tf.truncated_normal_initializer(stddev=0.1)) fc1_bias = tf.get_variable("fc_bias", [1024], initializer=tf.constant_initializer(0.1)) pool2_vector = tf.reshape(pool2, [-1, 7*7*64]) fc1 = tf.nn.relu(tf.matmul(pool2_vector, fc1_weights)+fc1_bias) #为了减少过拟合,加入Dropout层 keep_prob = tf.placeholder(tf.float32) fc1_dropout = tf.nn.dropout(fc1, keep_prob) #第六层,全连接层 fc2_weights = tf.get_variable("fc2_weights", [1024, 10], initializer=tf.truncated_normal_initializer(stddev=0.1)) #神经元节点数1024,分类节点10 fc2_bias = tf.get_variable("fc2_bias", [10], initializer=tf.constant_initializer(0.1)) fc2 = tf.matmul(fc1_dropout, fc2_weights) + fc2_bias #第七层,输出层,softmax y_conv = tf.nn.softmax(fc2) #定义交叉熵网络 cross_entropy = -tf.reduce_sum(ys*tf.log(y_conv)) #定义交叉熵为loss的函数 train_step = tf.train.GradientDescentOptimizer(0.0001).minimize(cross_entropy) #调用优化器来优化,实际上通过大量数据,争取cross_entropy最小化 # tf.argmax()返回的是某一维度上其数据最大所在的索引值,在这里即代表预测值和真实值 # 判断预测值y和真实值ys中最大数的索引是否一致,y的值为1-10概率 correct_prediction = tf.equal(tf.arg_max(y_conv,1), tf.arg_max(ys,1)) # 用平均值来统计测试准确率 accurary = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) tf.global_variables_initializer().run() for i in range(20000):#迭代20000次 batch = mnist.train.next_batch(50) if i%100 == 0: train_accuracy = accurary.eval(feed_dict={xs:batch[0], ys:batch[1], keep_prob: 1.0}) print("step %d, training accuracy %g"%(i, train_accuracy)) train_step.run(feed_dict={xs:batch[0], ys:batch[1], keep_prob: 0.5}) #在测试数据上测试准确率 内存不够,只测了2000张 print("test accuracy %g"%accurary.eval(feed_dict={xs: mnist.test.images[0:2000], ys: mnist.test.labels[0:2000], keep_prob: 1.0}))
训练结果截图:
相关文章推荐
- tensorflow实现循环神经网络
- 机器学习之文本分类-神经网络TensorFlow实现(一)
- 基于循环神经网络实现基于字符的语言模型(char-level RNN Language Model)-tensorflow实现
- RNN-循环神经网络-02Tensorflow中的实现
- TensorFlow练手项目一:使用循环神经网络(RNN)实现影评情感分类
- 简单神经网络TensorFlow实现
- 机器学习算法练习之(二):Python和Tensorflow分别实现简单的神经网络
- 使用循环神经网络实现语言模型——源自《TensorFlow:实战Goole深度学习框架》
- tensorflow 学习笔记12 循环神经网络RNN LSTM结构实现MNIST手写识别
- tensorflow实现的一个三层神经网络
- tensorflow入门之实现单隐层的神经网络
- TensorFlow实战——实现神经网络
- Tensorflow入门-实现神经网络
- TensorFlow实现RNN循环神经网络
- 深度学习(07)_RNN-循环神经网络-02-Tensorflow中的实现
- [置顶] TensorFlow入门之简单实现神经网络的结构
- RNN-LSTM循环神经网络-03Tensorflow进阶实现
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- Tensorflow实战1:最简单神经网络实现
- TensorFlow - 循环神经网络(RNN)(NumPy实现)