TensorFlow实现CNN

最新推荐文章于 2022-03-16 18:42:32 发布

清塘荷韵_kathy

最新推荐文章于 2022-03-16 18:42:32 发布

阅读量231

点赞数

分类专栏：机器/深度学习

本文链接：https://blog.csdn.net/qq_24336773/article/details/86027861

版权

本文介绍了如何使用TensorFlow构建一个简单的CNN模型，对MNIST数据集进行数字识别。从导入TensorFlow开始，逐步讲解加载数据、定义权重和偏置、构建卷积层、池化层、全连接层，到添加Dropout防止过拟合，并最终进行模型训练和评估。整个过程遵循LeNet-5架构。

摘要由CSDN通过智能技术生成

TensorFlow是目前深度学习最流行的框架，很有学习的必要，下面我们就来实际动手，使用TensorFlow搭建一个简单的CNN，来对经典的mnist数据集进行数字识别。

在这里插入图片描述

step 0 导入TensorFlow

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data

step 1 加载数据集mnist

声明两个placeholder，用于存储神经网络的输入，输入包括image和label。这里加载的image是(784,)的shape。

mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)
x = tf.placeholder(tf.float32,[None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

step 2 定义weights和bias

为了使代码整洁，这里把weight和bias的初始化封装成函数。

#----Weight Initialization---#
#One should generally initialize weights with a small amount of noise for symmetry breaking, and to prevent 0 gradients
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)