tf & MNIST 的卷积神经网络

构建的流程也是先加载数据,再构建格络模型,最后训练和评估模型

加载数据

1)定义输入数据并预处理数据。这里,我们首先读取数据 MNIST,并分别得到训练集的
图片和标记的矩阵,以及测试集的图片和标记的矩阵

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

2）接着,需要处理输入的数据,把上述 trX 和 teX 的形状变为[-1,28,28,1],-1 表示不格虑输
入图片的数量,28×28 是图片的长和宽的像素数,1 是通道(channel)数量,因为 MNIST 的
图片是黑白的,所以通道是 1,如果是 RGB 彩色图像,通道是 3

trX = trX.reshape(-1,28,28,1) # 28*28*1 input img
teX = teX.reshape(-1,28,28,1) # 28*28*1 input img
X = tf.placeholder("float",[None,28,28,1])
Y = tf.placeholder("float",[None,10])

构建模型

初始化权重与定义格络结构。这里,我们将要构建一个拥有 3 个卷积层和 3 个池化层,随后接 1 个全连接层和 1 个输出层的卷积神经格络。首先定义初始化权重的函数

def init_weights(shape):
    return tf.Variable(tf.random_normal(shape,stddev=0.01))

初始化权重格法如下,我们设置卷积核的大小为 3×3:

w = init_weights([3,3,1,32]) # patch 大小为 3 × 3，输入维度为1,输出维度为32
w2 = init_weights([3,3,32,64]) # patch 大小为 3 × 3 输入维度为32,输出维度为64
w3 = init_weights([3,3,64,128]) # patch 大小为 3 × 3，输入维度为 64,输出维度为128
w4 = init_weights([128*4*4,625]) # 全链接层，输入维度为128×4×4，是上一层的输入数据由三维转换成一维,输出维度为 625
w_o = init_weights([625,10]) # 输出层，输入维度为625,输出维度为10,代表10类（labels）

随后,定义一个模型函数：

# 神经网络模型构建函数，传入参数
# X：输入数据
# w: 每一层的权重
# p_keep_conv,p_keep_hidden:droupt 要保留神经元的比例
def model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden):
    # 第一组卷积层及池化层，最后 droupt 一些神经元
    l1a = tf.nn.relu(tf.nn.conv2d(X,w,strides= [1,1,1,1],padding = 'SAME'))
    # l1a shape = (?,28,28,32)
    l1 = tf.nn.max_pool(l1a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    # l1 shape = (?,14,14,32)
    l1 = tf.nn.dropout(l1,p_keep_conv)

    #第二组卷积层及池化层，最后 droupt 一些神经元
    l2a = tf.nn.relu(tf.nn.conv2d(l1,w2,strides=[1,1,1,1],padding='SAME'))
    # L2a shape = (?,14,14,64)
    l2 = tf.nn.max_pool(l2a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    # 12 shaep = (?,7,7,64)
    l2 = tf.nn.dropout(l2,p_keep_conv)

    #第三组卷积及池化层，最后 droupt 一些神经元
    l3a = tf.nn.relu(tf.nn.conv2d(l2,w3,strides=[1,1,1,1],padding='SAME'))
    # l3a shape = (?,7,7,128)
    l3 = tf.nn.max_pool(l3a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    # l3 shape = (?,4,4,128)
    l3 = tf.reshape(l3,[-1,w4.get_shape().as_list()[0]]) # reshape to (?,2048)
    l3 = tf.nn.dropout(l3,p_keep_conv)

    #全链接层，最后 droupt 一些神经元
    l4 = tf.nn.relu(tf.matmul(l3,w4))
    l4 = tf.nn.dropout(l4,p_keep_hidden)

    #输出层
    pyx = tf.matmul(l4,w_o)
    return pyx # 返回预测值

我们定义 dropout 的占位符—keep_conv,它表示在一层中有多少比例的神经元被保留下来。生成格络模型,得到预测值,如下:

p_keep_conv = tf.placeholder("float")
p_keep_hidden = tf.placeholder("float")
py_x = model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden) # 得到预测值

接下来,定义损失函数,这里我们采用 tf.nn.softmax_cross_entropy_with_logits 来比较预测值和真实值的差异,并做均值处理;定义训练的操作(train_op),采用实现 RMSProp 算法的优化器 tf.train.RMSPropOptimizer,学习率为 0.001,衰减值为 0.9,使损失最小

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x,labels=Y))
train_op = tf.train.RMSPropOptimizer(0.001,0.9).minimize(cost)
predict_op = tf.argmax(py_x,1)

训练模型和评估模型

先定义训练时的批次大小和评估时的批次大小

batch_size = 64
test_size = 256

#Launch the graph in a session
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for i in range(100):
        training_batch = zip(range(0,len(trX),batch_size),
                             range(batch_size,len(trX)+1,batch_size))
        for start,end in training_batch:
            sess.run(train_op,feed_dict={X:trX[start:end],Y:trY[start:end],
                                        p_keep_conv:0.8,p_keep_hidden:0.5})
        test_indices = np.arange(len(teX)) # Get A Test Batch
        np.random.shuffle(test_indices)
        test_indices = test_indices[0:test_size]
        print(i,np.mean(np.argmax(teY[test_indices],axis=1) ==
                       sess.run(predict_op,feed_dict={X:teX[test_indices],
                                                     p_keep_conv:1.0,
                                                     p_keep_hidden:1.0})))

tf & MNIST 的卷积神经网络

构建的流程也是先加载数据,再构建格络模型,最后训练和评估模型

加载数据

构建模型

训练模型和评估模型

猜你喜欢