import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('mnist_data', one_hot=true)
# 每個批次的大小
batch_size = 100
# 計算一共有多少個批次
n_batch = mnist.train.num_examples // batch_size
# 初始化權值
defweight_variable
(shape):
initial = tf.truncated_normal(shape, stddev=0.1) # 生成乙個截斷的正態分佈
return tf.variable(initial)
# 初始化偏置
defbiases_variable
(shape):
initial = tf.constant(0.1, shape=shape)
return tf.variable(initial)
# 卷積層
defconv2d
(x, w):
# x input tensor of shape [batch, in_height, in_width, in_channel]
# w filter / kernel tensor of shape [filter_height, filter_width, in_channels, out_channels]
# strides[0] = strides[3] = 1, strides[1] 代表x 方向的步長， strides[2] 代表y方向的步長
# padding: a string from:'same', 'valid'
return tf.nn.conv2d(x, w, strides=[1,1,1,1], padding='same')
# 池化層
defmax_pool_2x2
(x):
# ksize[1, x, y, 1]
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='same')
# 定義兩個placeholder
x = tf.placeholder(tf.float32, [none, 784])
y = tf.placeholder(tf.float32, [none, 10])
# 改變x的格式轉變為4d的向量[batch, in_height, in_width, in_channels]
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 初始化第乙個卷積層的權值和偏置
w_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = biases_variable([32])
# 把x_image和權值向量進行卷積，在加上偏置值，然後應用於relu啟用函式
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# 初始化第二個卷積層的權值和偏置
w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = biases_variable([64])
# 把h_pool1和權值向量進行卷積，在加上偏置值，然後應用於relu啟用函式
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
# 28x28的第一次卷積後還是28x28，第一次池化後變為14x14
# 第二次卷積後為14x14，第二次池化後變為7x7
# 講過上邊的操作後得到64張7x7的平面
# 初始化第乙個全連線層的權值
w_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = biases_variable([1024])
# 把池化層2的輸出扁平化為1維
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
# 求第乙個全連線層的輸出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)
# keep_drop用來表示神經元的輸出概率
keep_drop = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_drop)
# 初始化第二個全連線層
w_fc2 = weight_variable([1024,10])
b_fc2 = biases_variable([10])
# 計算輸出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2) + b_fc2)
# 交叉熵
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 使用adamoptimizer優化
train_step = tf.train.adamoptimizer(1e-4).minimize(cross_entropy)
# 結果儲存在乙個布林列表中
correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
# 求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
with tf.session() as sess:
sess.run(tf.global_variables_initializer())
for epoch in range(21):
for batch in range(n_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict=)
acc = sess.run(accuracy, feed_dict=)
print("iter " + str(epoch) + ", testing accuracy= " + str(acc))
卷積神經網路 Mnist資料集測試
卷積神經網路 mnist是在機器學習領域中的乙個經典問題。該問題解決的是把28x28畫素的灰度手寫數字識別為相應的數字，其中數字的範圍從0到9.print 第 d步正確率 f i,accuracy.eval feed dict 通過只有乙個全連線層來實現的網路的準確率大概只有91 這樣的 訓練結果並...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...