文档章节

小白学Tensorflow之卷积神经网络

AllenOR灵感
 AllenOR灵感
发布于 2017/09/10 01:25
字数 1568
阅读 14
收藏 0

在本博文中,我们将利用Tensorflow构建一个卷积神经网络,还是以使用为主,如果对卷积神经网络有不明白的,可以先去网上查找资料,或者评论我。
我们构建一个六层网络,其中一个输入层,两个卷积层,两个池化层和一个输出层。

第一,我们需要定义一些卷积核

# 定义第一个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,1表示channel的数量,32表示输出的通道数量
w_layer_1 = init_weights([3, 3, 1, 32])
# 定义第二个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,32表示channel的数量,这个channel数量必须和上一层的输出通道相同,64表示输出的通道数量
w_layer_2 = init_weights([3, 3, 32, 64])
# 定义第三个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,64表示channel的数量,这个channel数量必须和上一层的输出通道相同,128表示输出的通道数量
w_layer_3 = init_weights([3, 3, 64, 128])
# 定义第三个卷积层与下一层之间的全连接权重矩阵
w_layer_4 = init_weights([128 * 4 * 4, 625])
# 定义全连接权重矩阵
w_layer_5 = init_weights([625, 10])

第二,我们来解释一下,在Tensorflow中怎么使用卷积神经网络。

def model(X, w_layer_1, w_layer_2, w_layer_3, w_layer_4, w_layer_5, p_keep_conv, p_keep_hidden):
    '''
    参数解释:
    tf.nn.conv2d(X, w, strides = [1, 1, 1, 1], padding = 'SAME')
    X 表示从上一层输入的数据
    w 表示一个卷积核,比如一个3*3的高斯核
    strides 中的四个参数,第一个是 the number of images,第二个是 the hight of images,第三个是 the width of images,第四个是 the number of channels
    padding 表示图像周围是否需要填充,如果选择'SAME'参数,表示图像的输入和输出维度是一样的,那么在卷积的时候,模型就会在图像的周围填充上0。
            如果选择的是'VALID'参数,那么图像维度将会被改变,具体改变多少,视具体数据而定。
    tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')
    ksize 中的2,2表示池化的时候的池化区域大小。
    '''
    l1a = tf.nn.relu(tf.nn.conv2d(X, w_layer_1, 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, w_layer_2, 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, w_layer_3, 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, w_layer_4.get_shape().as_list()[0]])
    l3 = tf.nn.dropout(l3, p_keep_conv)

    l4 = tf.nn.relu(tf.matmul(l3, w_layer_4))
    l4 = tf.nn.dropout(l4, p_keep_hidden)

    pyx = tf.matmul(l4, w_layer_5)
    return pyx

完整代码,如下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import numpy as np
import tensorflow as tf 
import input_data

batch_size = 128
test_size = 256

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

def model(X, w_layer_1, w_layer_2, w_layer_3, w_layer_4, w_layer_5, p_keep_conv, p_keep_hidden):
    '''
    参数解释:
    tf.nn.conv2d(X, w, strides = [1, 1, 1, 1], padding = 'SAME')
    X 表示从上一层输入的数据
    w 表示一个卷积核,比如一个3*3的高斯核
    strides 中的四个参数,第一个是 the number of images,第二个是 the hight of images,第三个是 the width of images,第四个是 the number of channels
    padding 表示图像周围是否需要填充,如果选择'SAME'参数,表示图像的输入和输出维度是一样的,那么在卷积的时候,模型就会在图像的周围填充上0。
            如果选择的是'VALID'参数,那么图像维度将会被改变,具体改变多少,视具体数据而定。
    tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')
    ksize 中的四个参数和strides中的参数一样
    '''
    l1a = tf.nn.relu(tf.nn.conv2d(X, w_layer_1, 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, w_layer_2, 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, w_layer_3, 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, w_layer_4.get_shape().as_list()[0]])
    l3 = tf.nn.dropout(l3, p_keep_conv)

    l4 = tf.nn.relu(tf.matmul(l3, w_layer_4))
    l4 = tf.nn.dropout(l4, p_keep_hidden)

    pyx = tf.matmul(l4, w_layer_5)
    return pyx


# 导入数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
# 转变数据类型,-1表示batch的尺寸,第一个28表示图片的高度,第二个28表示图片的宽度,1表示channel的数量,这里输入时黑白照片,所以是1,如果是RGB,那么channel就是3
# 所以输入img格式为:the_size_of_batch * 28 * 28 * 1,
trX = trX.reshape(-1, 28, 28, 1)
teX = teX.reshape(-1, 28, 28, 1)

# None表示batch的尺寸,第一个28表示图片的高度,第二个28表示图片的宽度,1表示channel的数量
X = tf.placeholder("float", [None, 28, 28, 1])
Y = tf.placeholder("float", [None, 10])

# 定义第一个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,1表示channel的数量,32表示输出的通道数量
w_layer_1 = init_weights([3, 3, 1, 32])
# 定义第二个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,32表示channel的数量,这个channel数量必须和上一层的输出通道相同,64表示输出的通道数量
w_layer_2 = init_weights([3, 3, 32, 64])
# 定义第三个卷积层 w_layer_1,其中3*3表示卷积核的尺寸,64表示channel的数量,这个channel数量必须和上一层的输出通道相同,128表示输出的通道数量
w_layer_3 = init_weights([3, 3, 64, 128])
# 定义第三个卷积层与下一层之间的全连接权重矩阵
w_layer_4 = init_weights([128 * 4 * 4, 625])
# 定义全连接权重矩阵
w_layer_5 = init_weights([625, 10])

# dropout系数
p_keep_conv = tf.placeholder("float")
p_keep_hidden = tf.placeholder("float")

py_x = model(X, w_layer_1, w_layer_2, w_layer_3, w_layer_4, w_layer_5, p_keep_conv, p_keep_hidden)

# 训练模型
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(py_x, Y))
train_op = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost)
predict_op = tf.argmax(py_x, 1)

with tf.Session() as sess:

    init = tf.initialize_all_variables()
    sess.run(init)

    for i in xrange(100):
        training_batch = zip(range(0, len(trX), batch_size), range(batch_size, len(trX), batch_size))
        print training_batch
        print '----'
        for start, end in training_batch:
            print start, end
            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],
                                                          Y: teY[test_indices],
                                                          p_keep_conv: 1.0,
                                                          p_keep_hidden: 1.0}))

本文转载自:http://www.jianshu.com/p/70c8d6663b00

共有 人打赏支持
AllenOR灵感
粉丝 10
博文 2634
码字总数 82983
作品 0
程序员
TensorFlow 一步一步实现卷积神经网络

欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习、深度学习的知识! TensorFlow 从入门到精通系列教程: http://www.tensorflownews.com/series/ten...

磐石001
04/03
0
0
cnn卷积神经网络及其tensorflow的一些资源汇总

ccn原理的理解 深度学习Deep Learning(01)_CNN卷积神经网络 再看CNN中的卷积 这两篇文章里推荐的资源也很好: CNN(卷积神经网络)是什么?有入门简介或文章吗? CS231n课程笔记翻译:卷积神...

firing00
04/13
0
0
在TensorFlow中实现文本分类的卷积神经网络

在TensorFlow中实现文本分类的卷积神经网络 Github提供了完整的代码: https://github.com/dennybritz/cnn-text-classification-tf 在这篇文章中,我们将实现一个类似于Kim Yoon的卷积神经网...

磐石001
2017/08/21
0
0
使用tensorflow实现CNN

前言 好久没有更新博客,在之前的博文用代码一步一步完成了手写数字识别,但是在工业应用中不需要这么复杂的实现。我们造车再也不需要自己造轮子。Tensorflow作为当今最流行的机器学习框架,...

skullfang
05/28
0
0
人人都会深度学习之Tensorflow基础快速入门

《Tensorflow基础快速入门》课程的目的是帮助广大的深度学习爱好者,逐层深入,步步精通当下最流行的深度学习框架Tensorflow。该课程包含Tensorflow运行原理,Tensor上面常见的操作,常见API...

liwei2000
07/05
0
0

没有更多内容

加载失败,请刷新页面

加载更多

Redis的API应用

全局命令 1,查看所有键:keys * set school dongnao set hello world 2,键总数 dbsize //2个键,如果存在大量键,线上禁止使用此指令 3,检查键是否存在:exists key //存在返回1,不存在返...

这很耳东先生
19分钟前
1
0
Java GC机制详解

垃圾收集 Garbage Collection 通常被称为“GC”,本文详细讲述Java垃圾回收机制。 导读: 1、什么是GC 2、GC常用算法 3、垃圾收集器 4、finalize()方法详解 5、总结--根据GC原理来优化代码 ...

编程SHA
21分钟前
1
0
CMD 乱码永久解决方案

创建cmd.reg,内容如下,双击运行导入注册表。 Windows Registry Editor Version 5.00[HKEY_CURRENT_USER\Console\%SystemRoot%_system32_cmd.exe]"CodePage"=dword:0000fde9"FontFamil......

yeahlife
24分钟前
1
0
亿级Web系统搭建:单机到分布式集群

当一个Web系统从日访问量10万逐步增长到1000万,甚至超过1亿的过程中,Web系统承受的压力会越来越大,在这个过程中,我们会遇到很多的问题。为了解决这些性能压力带来问题,我们需要在Web系统...

onedotdot
27分钟前
1
0
Linux 命令优先级 —— alias、function、内部命令(make)

Linux 命令优先级 —— alias、function、内部命令(make) make 新建Makefile文件,在里面输入如下内容; # Makefile内容all:@echo "Make Command echo : Hello " 保存,执行 which make ,...

雪落青山
29分钟前
1
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部