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])
w2 = init_weights([3,3,32,64])
w3 = init_weights([3,3,64,128])
w4 = init_weights([128*4*4,625])
w_o = init_weights([625,10])
def model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden):
l1a = tf.nn.relu(tf.nn.conv2d(X,w,strides= [1,1,1,1],padding = 'SAME'))
l1 = tf.nn.max_pool(l1a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
l1 = tf.nn.dropout(l1,p_keep_conv)
l2a = tf.nn.relu(tf.nn.conv2d(l1,w2,strides=[1,1,1,1],padding='SAME'))
l2 = tf.nn.max_pool(l2a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
l2 = tf.nn.dropout(l2,p_keep_conv)
l3a = tf.nn.relu(tf.nn.conv2d(l2,w3,strides=[1,1,1,1],padding='SAME'))
l3 = tf.nn.max_pool(l3a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
l3 = tf.reshape(l3,[-1,w4.get_shape().as_list()[0]])
l3 = tf.nn.dropout(l3,p_keep_conv)
l4 = tf.nn.relu(tf.matmul(l3,w4))
l4 = tf.nn.dropout(l4,p_keep_hidden)
pyx = tf.matmul(l4,w_o)
return pyx
- 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
batch_size = 64
test_size = 256
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))
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})))