手写数字识别之卷积神经网络

最新推荐文章于 2024-09-22 22:20:05 发布

Yang8465

最新推荐文章于 2024-09-22 22:20:05 发布

阅读量527

点赞数

分类专栏：人工智能

本文链接：https://blog.csdn.net/Yang8465/article/details/90412314

版权

本文通过mnist_cnn_forward.py、mnist_cnn_back.py和test.py，详细阐述了手写数字识别中卷积神经网络的前向传播、反向传播过程。经过训练，在5000轮后模型的正确率达到了0.97，进一步提升到25000轮后，正确率提高到0.98。

摘要由CSDN通过智能技术生成

1.前向传播 mnist_cnn_forward.py

import tensorflow as tf
IMAGE_SIZE = 28  #图片大小28*28
NUM_CHANNELS =1  #图片通道数
CONV1_SIZE = 5   #第一层卷积核大小
CONV1_KERNEL_NUM = 32  #第一层使用了32个卷积核
CONV2_SIZE = 5
CONV2_KERNEL_NUM = 64
OUTPUT_NODE = 10   #10分类输出
FC_SIZE = 512  #隐藏层节点个数
# 权重w生成函数
def get_weight(shape,regularizer):
    #正态分布生成，去掉最大偏离点的
    w = tf.Variable(tf.truncated_normal(shape,stddev=0.1))
    if regularizer!=None:
        tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))
    return w
# 偏执B生成函数，初始值为0
def get_bias(shape):
    b = tf.Variable(tf.zeros(shape))
    return b
#求卷积
def conv2d(x,w): #x 输入，所用卷积核W
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

def forward(x,train,regularizer):
    #初始化化第一层卷积核W ，B
    conv1_w = get_weight([CONV1_SIZE,CONV1_SIZE,NUM_CHANNELS,CONV1_KERNEL_NUM],regularizer)
    conv1_b = get_bias([CONV1_KERNEL_NUM])
    conv1 = conv2d(x,conv1_w)
    #对conv1添加偏执，使用relu激活函数
    relu1 = tf.nn.relu(tf.nn.bias_add(conv1,conv1_b))
    #池化
    pool1 = max_pool_2x2(relu1)

    conv2_w = get_weight([C