经典神经网络实验篇

经典神经网络实验整理

lenet5模型实现手写体数字识别

本次实验通过lenet5模型和MNIST数据集实现手写体数字识别训练。
MNIST数据集是一个手写数字的数据库，对于卷积神经网络是一个最为简单的图片数据集。
MNIST的下载地址为 http://yann.lecun.com/exdb/mnist/

该数据集包含四个文件，分别为测试图像，测试标签，训练图像和训练标签。

MNIST数据集图片的像素皆为28*28，单通道。标签为1-10，对应的是0-9十个数字。

对于MNIST数据集，TensorFlow中有已经封装好的函数来读取该数据集。

from tensorflow.examples.tutorials.mnist import input_data
mnist_data_set = input_data.read_data_sets('MNIST_data', one_hot=True)

对lenet5模型进行处理，整个网络模型分为2个卷积模块，2个池化模块、2个全连接模块，最后再连接一个softmax模块，输出层为10个节点，分别代表1到9共10个数字。

先定义占位符如下：

x = tf.placeholder('float32', [None, 784])
y = tf.placeholder('float32', [None, 10])

再将输入向量变为28*28的矩阵形式：

# 把数据转换为矩阵形式
x_image = tf.reshape(x, [-1, 28, 28, 1])

初始化卷积核和偏置量：

# 初始化卷积核
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

# 初始化偏置量
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

抽象化卷积函数和池化函数：

# 抽象化卷积函数
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


# 抽象化池化函数
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

第一层卷积核大小为5×5×6，卷积完之后应用relu激活函数，最后进行maxpooling

# 第一层卷积
W_conv1 = weight_variable([5, 5, 1, 6])
b_conv1 = bias_variable([6])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1)+b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

第二层通道数变为16个：

W_conv2 = weight_variable([5, 5, 6, 16])
b_conv2 = bias_variable([16])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2)+b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

此时图像大小为7*7*16，把图像展开为向量并进行全连接：

#展开为向量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*16])

# 第一层全连接
W_fc1 = weight_variable([7*7*16, 120])
b_fc1 = bias_variable([120])
h_fc1 = tf.nn.relu(tf.add(tf.matmul(h_pool2_flat, W_fc1), b_fc1))

# 第二层全连接
W_fc2 = weight_variable([120, 10])
b_fc2 = bias_variable([10])
h_fc2 = tf.nn.softmax(tf.add(tf.matmul(h_fc1, W_fc2), b_fc2))

采用交叉熵作为损失函数，使用Adam优化算法调整参数，定义正确率以便观察。

# 代价函数
cross_ntropy = -tf.reduce_sum(y*tf.log(h_fc2))
# 使用Adam优化算法调整参数
train_step = tf.train.GradientDescentOptimizer(1e-4).minimize(cross_ntropy)
# 正确率
correct_prediction = tf.equal(tf.arg_max(h_fc2, 1), tf.arg_max(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float32"))

初始化变量：

sess.run(tf.initialize_all_variables())

进行训练：

# 训练
for i in range(1000):
    # 获取训练数据
    batch_xs, batch_ys = mnist_data_set.train.next_batch(200)
    if i % 2 == 0:
        train_accuracy = accuracy.eval(feed_dict={
   x: batch_xs, y: batch_ys})
        c.append(train_accuracy)
        print("step %d, train accuracy %g" % (i, train_accuracy))
    # 训练数据
        train_step.run(feed_dict={
   x: batch_xs, y: batch_ys})


sess.close()
plt.plot(c)
plt.tight_layout()
plt.savefig('cnn-tf-mnist.png', dpi=200)

训练结果：

使用mnist提供的测试数据集进行模型测试：

#测试该网路
import time  
import tensorflow as tf  
import numpy as np  
from tensorflow.examples.tutorials.mnist import input_data  
  
###加载mnist_inference.py和mnist_train.py中定义的常量和前向传播的函数########  
import mnist_inference  
import mnist_train  
  
#每10秒加载一次最新的模型，并在测试数据上测试最新模型的正确率  
EVAL_INTERVAL_SECS = 10  
  
def evaluate( mnist ):  
    with tf.Graph().as_default() as g:   #将默认图设为g  
        #定义输入输出的格式  
        x = tf.placeholder(tf.float32, [mnist.validation.images.shape[0],  
                                        mnist_inference.IMAGE_SIZE,  
                                        mnist_inference.IMAGE_SIZE,  
                                        mnist_inference.NUM_CHANNELS], name='x-input1')  
        y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')  
  
        xs = mnist.validation.images  
        # 类似地将输入的测试数据格式调整为一个四维矩阵  
        reshaped_xs = np.reshape(xs, (mnist.validation.images.shape[0],  
                                      mnist_inference.IMAGE_SIZE,  
                                      mnis