Deep Learning-TensorFlow (5) CNN卷积神经网络_CIFAR-10进阶图像分类模型(下)

最新推荐文章于 2024-06-17 16:56:19 发布

DiamonJoy

最新推荐文章于 2024-06-17 16:56:19 发布

阅读量4.5k

点赞数 1

分类专栏： TensorFlow 文章标签： Deep Learning TensorBoard CNN CIFAR-10 神经网络

本文链接：https://blog.csdn.net/diamonjoy_zone/article/details/64920419

版权

这篇博客介绍了如何使用TensorFlow进行深度学习，特别是CNN卷积神经网络，应用于CIFAR-10图像分类。博主详细讲解了损失函数的改进，训练过程的实现，以及模型评估的方法，包括训练过程的监控和模型性能的提升。

摘要由CSDN通过智能技术生成

环境：Win8.1 TensorFlow1.0.1

软件：Anaconda3 （集成Python3及开发环境）

TensorFlow安装：pip install tensorflow (CPU版) pip install tensorflow-gpu (GPU版)

完整代码可在 @DiamonJoy下载，针对旧版修正如下：

上篇博文我们介绍了 CIFAR-10 以及针对这个数据集分类问题采取的图片预处理 distorted_inputs() 和建立的预测模型 inference()，接下来根据返回的 logits 和实际的 labels 计算 loss，然后进行 train。

3.3 损失函数

我们回忆之前利用交叉熵(cross entropy)计算 loss 的方法：

y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2) + b_fc2)
cross_entropy = tf.reduce_sum(-y_*tf.log(y_conv))

此处 y_conv 是通过 tf.nn.softmax 后的 logits 值(属于每个类别的概率值)，shape 为 [batch_size, num_classes]，每个样本的 logit 向量元素和为1；y_ 是 onehot e

关注

专栏目录