github博客传送门
csdn博客传送门
本章所需知识:
- 没有基础的请观看深度学习系列视频
- tensorflow
- Python基础
资料下载链接:
深度学习基础网络模型(mnist手写体识别数据集)
MNIST数据集手写体识别(CNN实现)
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data # 导入下载数据集手写体
mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)
class CNNNet: # 创建一个CNNNet类
def __init__(self):
self.x = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28, 1], name='input_x') # 创建数据占位符
self.y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_y') # 创建标签占位符
self.w1 = tf.Variable(tf.truncated_normal(shape=[3, 3, 1, 16], dtype=tf.float32, stddev=tf.sqrt(1 / 16), name='w1')) # 定义 第一层/输入层/卷积层 w
self.b1 = tf.Variable(tf.zeros(shape=[16], dtype=tf.float32, name='b1')) # 定义 第一层/输入层/卷积层 偏值b
self.w2 = tf.Variable(tf.truncated_normal(shape=[3, 3, 16, 32], dtype=tf.float32, stddev=tf.sqrt(1 / 32), name='w2')) # 定义 第二层/卷积层 w
self.b2 = tf.Variable(tf.zeros(shape=[32], dtype=tf.float32, name='b2')) # 定义 第二层/卷积层 偏值b
self.fc_w1 = tf.Variable(tf.truncated_normal(shape=[28 * 28 * 32, 128], dtype=tf.float32, stddev=tf.sqrt(1 / 128), name='fc_w1')) # 定义 第三层/全链接层/ w
self.fc_b1 = tf.Variable(tf.zeros(shape=[128], dtype=tf.float32, name='fc_b1')) # 定义 第三层/全链接层/ 偏值b
self.fc_w2 = tf.Variable(tf.truncated_normal(shape=[128, 10], dtype=tf.float32, stddev=tf.sqrt(1 / 10), name='fc_w2')) # 定义 第四层/全链接层/输出层 w
self.fc_b2 = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32, name='fc_b2')) # 定义 第四层/全链接层/输出层 偏值b
# 前向计算
def forward(self):
# 前向计算 第一层/输入层/卷积层
self.conv1 = tf.nn.relu(tf.nn.conv2d(self.x, self.w1, strides=[1, 1, 1, 1], padding='SAME', name='conv1') + self.b1)
# 前向计算 第二层/卷积层
self.conv2 = tf.nn.relu(tf.nn.conv2d(self.conv1, self.w2, strides=[1, 1, 1, 1], padding='SAME', name='conv2') + self.b2)
# 将第二层卷积后的数据撑开为 [批次, 数据]
self.flat = tf.reshape(self.conv2, [-1, 28 * 28 * 32])
# 前向计算 第三层/全链接层
self.fc1 = tf.nn.relu(tf.matmul(self.flat, self.fc_w1) + self.fc_b1)
# 前向计算 第四层/全链接层/输出层
self.fc2 = tf.matmul(self.fc1, self.fc_w2) + self.fc_b2
# 输出层 softmax分类
self.output = tf.nn.softmax(self.fc2)
# 后向计算
def backward(self):
# 定义 softmax交叉熵 求损失
self.cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=self.fc2, labels=self.y))
# 使用 AdamOptimizer优化器 优化cost 损失函数
self.opt = tf.train.AdamOptimizer().minimize(self.cost)
# 计算测试集识别精度
def acc(self):
# 将预测值 output 和 标签值 self.y 进行比较
self.acc2 = tf.equal(tf.argmax(self.output, 1), tf.argmax(self.y, 1))
# 最后对比较出来的bool值 转换为float32类型后 求均值就可以看到满值为 1的精度显示
self.accaracy = tf.reduce_mean(tf.cast(self.acc2, dtype=tf.float32))
if __name__ == '__main__':
net = CNNNet() # 启动tensorflow绘图的CNNNet
net.forward() # 启动前向计算
net.backward() # 启动后向计算
net.acc() # 启动精度计算
init = tf.global_variables_initializer() # 定义初始化tensorflow所有变量操作
with tf.Session() as sess: # 创建一个Session会话
sess.run(init) # 执行init变量内的初始化所有变量的操作
for i in range(10000): # 训练10000次
ax, ay = mnist.train.next_batch(100) # 从mnist数据集中取数据出来 ax接收图片 ay接收标签
ax_batch = ax.reshape([-1, 28, 28, 1]) # 将取出的 图片数据 reshape成 NHWC 结构
loss, output, accaracy, _ = sess.run(fetches=[net.cost, net.output, net.accaracy, net.opt], feed_dict={net.x: ax_batch, net.y: ay}) # 将数据喂进CNN网络
# print(loss) # 打印损失
# print(accaracy) # 打印训练精度
if i % 10 == 0: # 每训练10次
test_ax, test_ay = mnist.test.next_batch(100) # 则使用测试集对当前网络进行测试
test_ax_batch = test_ax.reshape([-1, 28, 28, 1]) # 将取出的 图片数据 reshape成 NHWC 结构
test_output = sess.run(net.output, feed_dict={net.x: test_ax_batch}) # 将测试数据喂进网络 接收一个output值
test_acc = tf.equal(tf.argmax(test_output, 1), tf.argmax(test_ay, 1)) # 对output值和标签y值进行求比较运算
accaracy2 = sess.run(tf.reduce_mean(tf.cast(test_acc, dtype=tf.float32))) # 求出精度的准确率进行打印
print(accaracy2) # 打印当前测试集的精度
最后附上训练截图:
