简单神经网络的搭建

# -*- coding: utf-8 -*-
"""
Created on Wed Mar 14 09:50:13 2018


@author: 102121


"""
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
#导入MNIST数据集，创建默认的Interactive Session
mnist = input_data.read_data_sets("MNIST_data", one_hot = True)
sess = tf.InteractiveSession()


#定义权重和偏差的初始化函数
def weight_variable(shape):
    #权重制造一些随机的噪声来打破完全对称，比如截断的正态分布噪声，标准差设为 0.1
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)


def bias_variable(shape):
    # 偏置项使用极小值初始化，防止Relu出现死亡节点（dead neuron）
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)


#定义卷积层和池化层  接下来重复使用的
# tf.nn.conv2d是TensorFlow中的2维卷积函数
# x 输入 ， W 卷积的参数，比如[5,5,1,32] 前两个表示卷积核的尺寸，第三个参数表示有多少个channel，灰度单色为1 ，彩色rgb为3，（即depth），第四个参数表示卷积核的数量
# strides 卷积模板移动的步长
# padding 边界的处理方式，same 让卷积的输入和输出保持同样的尺寸
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# 使用2*2的最大池化 tf.nn.max_pool
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')


########正式设计卷积神经网络之前先定义placeholder########
# x是特征，y_是真实label。因为卷积神经网络是会用到2D的空间信息，所以要把784维的数据恢复成28*28的结构，将图片数据从1D转为2D。使用tensor的变形函数tf.reshape
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
x_image = tf.reshape(x,[-1,28,28,1])# -1 代表样本数量不固定 1 代表颜色通道数量


########设计卷积神经网络########
# 第一层卷积
# 卷积核尺寸为5*5,1个颜色通道，32个不同的卷积核
W_conv1 = weight_variable([5, 5, 1, 32])
# 用conv2d函数进行卷积操作，加上偏置
b_conv1 = bias_variable([32])
# 把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 对卷积的输出结果进行池化操作
h_pool1 = max_pool_2x2(h_conv1)


# 第二层卷积（和第一层大致相同，卷积核为64，这一层卷积会提取64种特征）
W_conv2 = weight_variable([5, 5, 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)


# 全连接层。经过两次最大化步长2*2，边长由28*28变为 7*7，而第二个卷积层的卷积核数量为24，所以其输出的tensor尺寸为7*7*64，使用reshape进行变形，将其转换为1D,然后连接一个全连接层，隐含节点数1024。使用ReLU激活函数
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)


# 为了防止过拟合，在输出层之前加Dropout层
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 输出层。添加一个softmax层，就像softmax regression一样。得到概率输出。
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)


########模型训练设置########
# 定义loss function为cross entropy，优化器使用Adam，并给予一个比较小的学习速率1e-4
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)


# 定义评测准确率的操作
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


########开始训练过程########
# 初始化所有参数
tf.global_variables_initializer().run()


# 训练（设置训练时Dropout的kepp_prob比率为0.5。mini-batch为50，进行2000次迭代训练，参与训练样本5万）
# 其中每进行100次训练，对准确率进行一次评测keep_prob设置为1，用以实时监测模型的性能
for i in range(1000):
  batch = mnist.train.next_batch(50)
  if i%100 == 0:
    train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})
    print("-->step %d, training accuracy %.4f"%(i, train_accuracy))
  train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
# 全部训练完成之后，在最终测试集上进行全面测试，得到整体的分类准确率
  print("卷积神经网络在MNIST数据集正确率: %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))