在Tensorflow卷积神经网络实例这篇博客中，我们实现了一个简单的卷积神经网络，没有复杂的Trick。接下来，我们将使用CIFAR-10数据集进行训练。
CIFAR-10是一个经典的数据集，包含60000张32*32的彩色图像，其中训练集50000张，测试集10000张。CIFAR-10如同其名字，一共标注为10类，每一类图片6000张。
本文实现了进阶的卷积神经网络来解决CIFAR-10分类问题，我们使用了一些新的技巧：
- 对weights进行了L2的正则化
- 对图片进行了翻转、随机剪切等数据增强，制造了更多样本
- 在每个卷积-最大池化层后面使用了LRN（局部响应归一化层），增强了模型的泛化能力
首先需要下载Tensorflow models Tensorflow models，以便使用其中的CIFAR-10数据的类.进入目录models/tutorials/image/cifar10目录，执行以下代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
|
import cifar10import cifar10_inputimport tensorflow as tfimport numpy as npimport time# 定义batch_size, 训练轮数max_steps, 以及下载CIFAR-10数据的默认路径max_steps = 3000batch_size = 128data_dir = 'E:\\tmp\cifar10_data\cifar-10-batches-bin'# 定义初始化weight的函数，定义的同时，对weight加一个L2 loss，放在集'losses'中def variable_with_weight_loss(shape, stddev, w1): var = tf.Variable(tf.truncated_normal(shape, stddev=stddev)) if w1 is not None: weight_loss = tf.multiply(tf.nn.l2_loss(var), w1, name='weight_loss') tf.add_to_collection('losses', weight_loss) return var# 使用cifar10类下载数据集，并解压、展开到其默认位置#cifar10.maybe_download_and_extract()# 在使用cifar10_input类中的distorted_inputs函数产生训练需要使用的数据。需要注意的是，返回的是已经封装好的tensor，# 且对数据进行了Data Augmentation（水平翻转、随机剪切、设置随机亮度和对比度、对数据进行标准化）images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir, batch_size=batch_size)# 再使用cifar10_input.inputs函数生成测试数据，这里不需要进行太多处理images_test, labels_test = cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size)# 创建数据的placeholderimage_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])label_holder = tf.placeholder(tf.int32, [batch_size])# 创建第一个卷积层weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, w1=0.0)kernel1 = tf.nn.conv2d(image_holder, weight1, strides=[1, 1, 1, 1], padding='SAME')bias1 = tf.Variable(tf.constant(0.0, shape=[64]))conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')# LRN层对ReLU会比较有用，但不适合Sigmoid这种有固定边界并且能抑制过大值的激活函数norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)# 创建第二个卷积层weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, w1=0.0)kernel2 = tf.nn.conv2d(norm1, weight2, strides=[1, 1, 1, 1], padding='SAME')bias2 = tf.Variable(tf.constant(0.1, shape=[64]))conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')# 使用一个全连接层reshape = tf.reshape(pool2, [batch_size, -1])dim = reshape.get_shape()[1].valueweight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, w1=0.004)bias3 = tf.Variable(tf.constant(0.1, shape=[384]))local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)# 再使用一个全连接层，隐含节点数下降了一半，只有192个，其他的超参数保持不变weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, w1=0.004)bias4 = tf.Variable(tf.constant(0.1, shape=[192]))local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)# 最后一层，将softmax放在了计算loss部分weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1 / 192.0, w1=0.0)bias5 = tf.Variable(tf.constant(0.0, shape=[10]))logits = tf.add(tf.matmul(local4, weight5), bias5)# 定义lossdef loss(logits, labels): labels = tf.cast(labels, tf.int64) cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='cross_entropy_per_example') cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy') tf.add_to_collection('losses', cross_entropy_mean) return tf.add_n(tf.get_collection('losses'), name='total_loss')# 获取最终的lossloss = loss(logits, label_holder)# 优化器train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)# 使用tf.nn.in_top_k函数求输出结果中top k的准确率，默认使用top 1，也就是输出分数最高的那一类的准确率top_k_op = tf.nn.in_top_k(logits, label_holder, 1)# 使用tf.InteractiveSession创建默认的session，接着初始化全部模型参数sess = tf.InteractiveSession()tf.global_variables_initializer().run()# 启动图片数据增强线程tf.train.start_queue_runners()# 正式开始训练for step in range(max_steps): start_time = time.time() image_batch, label_batch = sess.run([images_train, labels_train]) _, loss_value = sess.run([train_op, loss], feed_dict={image_holder: image_batch, label_holder: label_batch}) duration = time.time() - start_time if step % 10 == 0: example_per_sec = batch_size / duration sec_per_batch = float(duration) format_str = 'step %d, loss=%.2f ,%.1f examples/sec, %.3f sec/batch' print(format_str % (step, loss_value, example_per_sec, sec_per_batch))num_examples = 10000import mathnum_iter = int(math.ceil(num_examples / batch_size))true_count = 0total_sample_count = num_iter * batch_sizestep = 0while step < num_iter: image_batch, label_batch = sess.run([images_test, labels_test]) predictions = sess.run([top_k_op], feed_dict={image_holder: image_batch, label_holder: label_holder}) true_count += np.sum(predictions) step += 1precision = true_count / total_sample_countprint('precision @ 1 = %.3f'%precision) |
运行结果：
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/XJY104165/article/details/78563081
