TensorFlow卷积神经网络MNIST数据集实现示例_Python

这里使用TensorFlow实现一个简单的卷积神经网络，使用的是MNIST数据集。网络结构为：数据输入层–卷积层1–池化层1–卷积层2–池化层2–全连接层1–全连接层2（输出层），这是一个简单但非常有代表性的卷积神经网络。

				?

									import tensorflow as tf

									import numpy as np

									import input_data

									mnist = input_data.read_data_sets('data/', one_hot=True)

									print("MNIST ready")

									sess = tf.InteractiveSession()

									# 定义好初始化函数以便重复使用。给权重制造一些随机噪声来打破完全对称，使用截断的正态分布，标准差设为0.1，

									# 同时因为使用relu，也给偏执增加一些小的正值(0.1)用来避免死亡节点(dead neurons)

									def weight_variable(shape):

									    initial = tf.truncated_normal(shape, stddev=0.1)

									    return tf.Variable(initial)

									def bias_variable(shape):

									    initial = tf.constant(0.1, shape=shape)

									    return tf.Variable(initial)

									def conv2d(x, W):

									    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 参数分别指定了卷积核的尺寸、多少个channel、filter的个数即产生特征图的个数

									# 2x2最大池化，即将一个2x2的像素块降为1x1的像素。最大池化会保留原始像素块中灰度值最高的那一个像素，即保留最显著的特征。

									def max_pool_2x2(x):

									    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

									n_input  = 784 # 28*28的灰度图，像素个数784

									n_output = 10  # 是10分类问题

									# 在设计网络结构前，先定义输入的placeholder，x是特征，y是真实的label

									x = tf.placeholder(tf.float32, [None, n_input]) 

									y = tf.placeholder(tf.float32, [None, n_output]) 

									x_image = tf.reshape(x, [-1, 28, 28, 1]) # 对图像做预处理，将1D的输入向量转为2D的图片结构，即1*784到28*28的结构,-1代表样本数量不固定，1代表颜色通道数量

									# 定义第一个卷积层，使用前面写好的函数进行参数初始化，包括weight和bias

									W_conv1 = weight_variable([3, 3, 1, 32])

									b_conv1 = bias_variable([32])

									h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

									h_pool1 = max_pool_2x2(h_conv1)

									# 定义第二个卷积层

									W_conv2 = weight_variable([3, 3, 32, 64])

									b_conv2 = bias_variable([64])

									h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

									h_pool2 = max_pool_2x2(h_conv2)

									# fc1，将两次池化后的7*7共128个特征图转换为1D向量，隐含节点1024由自己定义

									W_fc1 = weight_variable([7*7*64, 1024])

									b_fc1 = bias_variable([1024])

									h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])

									h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

									# 为了减轻过拟合，使用Dropout层

									keep_prob = tf.placeholder(tf.float32)

									h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

									# Dropout层输出连接一个Softmax层,得到最后的概率输出

									W_fc2 = weight_variable([1024, 10])

									b_fc2 = bias_variable([10])

									pred = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #前向传播的预测值，

									print("CNN READY")

									# 定义损失函数为交叉熵损失函数

									cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=[1]))

									# 优化器

									optm = tf.train.AdamOptimizer(0.001).minimize(cost)

									# 定义评测准确率的操作

									corr = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) # 对比预测值的索引和真实label的索引是否一样，一样返回True，不一样返回False

									accuracy = tf.reduce_mean(tf.cast(corr, tf.float32))

									# 初始化所有参数

									tf.global_variables_initializer().run()

									print("FUNCTIONS READY")

									training_epochs = 1000 # 所有样本迭代1000次

									batch_size = 100 # 每进行一次迭代选择100个样本

									display_step = 1

									for i in range(training_epochs):

									    avg_cost = 0.

									    total_batch = int(mnist.train.num_examples/batch_size)

									    batch = mnist.train.next_batch(batch_size)

									    optm.run(feed_dict={x:batch[0], y:batch[1], keep_prob:0.7})

									    avg_cost += sess.run(cost, feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})/total_batch

									    if i % display_step ==0: # 每10次训练，对准确率进行一次测试

									        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y:batch[1], keep_prob:1.0})

									        test_accuracy = accuracy.eval(feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_prob:1.0})

									        print("step: %d  cost: %.9f  TRAIN ACCURACY: %.3f  TEST ACCURACY: %.3f" % (i, avg_cost, train_accuracy, test_accuracy))

									print("DONE")