TensorFlow實現卷積神經網絡

# -*- coding: utf-8 -*-
'''卷積神經網絡測試MNIST數據'''

#########導入MNIST數據########
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

# 創(chuàng)建默認InteractiveSession
sess = tf.InteractiveSession()


#########卷積網絡會有很多的權重和偏置需要創(chuàng)建，先定義好初始化函數以便復用########
# 給權重制造一些隨機噪聲打破完全對稱（比如截斷的正態(tài)分布噪聲，標準差設為0.1）
def weight_variable(shape):
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)
# 因為我們要使用ReLU，也給偏置增加一些小的正值（0.1）用來避免死亡節(jié)點（dead neurons）
def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)


########卷積層、池化層接下來重復使用的，分別定義創(chuàng)建函數########
# tf.nn.conv2d是TensorFlow中的2維卷積函數
def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# 使用2*2的最大池化
def max_pool_2x2(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')


########正式設計卷積神經網絡之前先定義placeholder########
# x是特征，y_是真實label。將圖片數據從1D轉為2D。使用tensor的變形函數tf.reshape
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
x_image = tf.reshape(x,[-1,28,28,1])


########設計卷積神經網絡########
# 第一層卷積
# 卷積核尺寸為5*5,1個顏色通道，32個不同的卷積核
W_conv1 = weight_variable([5, 5, 1, 32])
# 用conv2d函數進行卷積操作，加上偏置
b_conv1 = bias_variable([32])
# 把x_image和權值向量進行卷積，加上偏置項，然后應用ReLU激活函數，
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 對卷積的輸出結果進行池化操作
h_pool1 = max_pool_2x2(h_conv1)

# 第二層卷積（和第一層大致相同，卷積核為64，這一層卷積會提取64種特征）
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

# 全連接層。隱含節(jié)點數1024。使用ReLU激活函數
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)

# 為了防止過擬合，在輸出層之前加Dropout層
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# 輸出層。添加一個softmax層，就像softmax regression一樣。得到概率輸出。
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)


########模型訓練設置########
# 定義loss function為cross entropy，優(yōu)化器使用Adam，并給予一個比較小的學習速率1e-4
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 定義評測準確率的操作
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


########開始訓練過程########
# 初始化所有參數
tf.global_variables_initializer().run()

# 訓練（設置訓練時Dropout的kepp_prob比率為0.5。mini-batch為50，進行2000次迭代訓練，參與訓練樣本5萬）
# 其中每進行100次訓練，對準確率進行一次評測keep_prob設置為1，用以實時監(jiān)測模型的性能
for i in range(1000):
 batch = mnist.train.next_batch(50)
 if i%100 == 0:
  train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})
  print "-->step %d, training accuracy %.4f"%(i, train_accuracy)
 train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
# 全部訓練完成之后，在最終測試集上進行全面測試，得到整體的分類準確率
print "卷積神經網絡在MNIST數據集正確率: %g"%accuracy.eval(feed_dict={
  x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})