tensorflow-cnn

需要安装 python,numpy,tensorflow,运行代码即可。
tensorflow很好装,用pip安装即可。
可以参照http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.htm安装。
数据集:mnist的,其实就是对数字进行分类。
      input:就是图像数据集
      labels:数字从0到9. 输出格式就是one-hot,一个10维度的向量,比如1就是[0,1,0,0,0,0,0,0,0,0,0].相应位置为1,其它位置为0.

1.CNN是一种带有卷积结构的深度神经网络,包括:

  • 卷积层
  • pooling layer
  • fullConnection layer

大概过程就是:

图像->卷积convention变换->pooling池化变换->卷积convention变换->pooling池化变换->fullConnection->output

2.卷积

     卷积就是用一个卷积函数去过滤输入的图像,这个过程会把和卷积函数相似的那些数据提取出来,变成相应的特征,我们可以用多个卷积函数去卷积,那么就可以提取出多个图像,比如我代码里面就从原始的1张图片,变成32,再变成64…图像特征出来。相当于把原始的一张图片,变高,从1个张变成32张,每一张都是有卷积卷积出来的。 生成的32张可能分别包括了图像的直线,角,纹理等一些什么特征。深度学习自己提取特征,不用我们手工来构造这些特征,像这种图像,我们也不一定构造的特征就有用。

3.池化过程,就是下采样。

     每邻域四个像素求和变为一个像素,然后通过标量Wx+1加权,再增加偏置bx+1,然后通过一个激活函数,产生一个大概缩小n倍的特征映射图,降维,

  • 图像有种“静态性”的属性
  • 降低维度

4.权值共享

   CNN为了减少训练参数,就是有个共享weight的概念,看代码其实就知道,再卷积的那个过程,其实卷积函数和不同位置的图像的w是一样的,比如窗口是5*5,有6个卷积核,就是有6*(5*5+1)个训练参数。

5.最后面的步骤就是和我们传统介绍的ANN一样,神经元都是全连接的。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date : 2016-07-24 12:52:36
# @Link : ${link}
# @Version : $Id$

import tensorflow as tf # 引入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data # 引入tensorflow中的自带的一个读取mnist文件

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

#计算每次迭代训练模型的准确率,在训练时,
#增了额外的参数keep_prob在feed_dict中,以控制dropout的几率;
#最后一步用到了dropout函数将模型数值随机地置零。如果keep_prob=1则忽略这步操作
#tf.argvmax:Returns the index with the largest value across dimensions of a tensor.

def compute_accuracy(v_xs,v_ys):
global prediction
y_pre = sess.run(prediction,feed_dict={xs:v_xs,keep_prob:1})
correct_prediction = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
result = sess.run(accuracy,feed_dict={xs:v_xs,ys:v_ys,keep_prob:1})
return result

#返回指定shape的weight变量,这边truncated_normal表示正态分布

def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev=0.1)
return tf.Variable(initial)

#返回指定shape的bias,这边默认为0.1,constant 表示长量

def bias_variable(shape):
initial = tf.constant(0.1,shape=shape)
return tf.Variable(initial)

#使用tensorflow的库,卷积操作,x是输入数据,W是权重
#Given an input tensor of shape [batch, in_height, in_width, in_channels] and a filter / kernel tensor of shape [filter_height, filter_width, in_channels, out_channels],
#strides 表示那个卷积核移动的步数,这边是1,并且采用smae,最后卷积的大小和输入的图像大小是一致的。

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

#经过conv2d后,我们对过滤的图像进行一个pooling操作
#输入的x : [batch, height, width, channels]
#ksize就是pool的大小 这边是2*2
#strides 表示pool移动的步数,这边是2,所以每次会缩小2倍

def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#输入的784维度的数据,lable是10维度。None这边表示训练数据的大小,可以先填none。
#placeholder 表示这个变量没有值,需要传入 feed_dic

xs = tf.placeholder(tf.float32,[None,784])
ys = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)

#把输入的数据转化为28*28*1的格式,-1表示数据的大小,可以填写为-1,最后一个1是rgb通道数目,这边默认为1
#这样x_image就变成[sample,28,28,1]

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

## conv1 layer ##
#第一层卷积,5*5的卷积核,输入为1个图像,卷积成32个28*28图像

W_conv1 = weight_variable([5,5, 1,32]) # patch 5x5, in size 1, out size 32
b_conv1 = bias_variable([32])
#tf.nn.relu是激励函数
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32

#pooling缩小2倍,变成32个14*14的图像
h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32

## conv2 layer ##
#第二层卷积,5*5的卷积核,输入为32个图像,卷积成64个28*28图像

W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64

#pooling缩小2倍,变成64个7*7的图像

h_pool2 = max_pool_2x2(h_conv2)

#接下来就是普通的神经网络过程
## func1 layer ##

W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])

# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
#把多维数据变为1个维度的数据,就是数组了

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)
#避免过拟合
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

## func2 layer ##
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
#使用softmax预测(0~9)
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

#损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss
#优化函数
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

sess = tf.Session()
# 初始化变量,一定要有
sess.run(tf.initialize_all_variables())

for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: 0.5})
if i % 50 == 0:
print(compute_accuracy(
mnist.test.images, mnist.test.labels))

  

 

    原文作者:tensorflow
    原文地址: https://www.cnblogs.com/GuoJiaSheng/p/5704663.html
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞