CNN图片分类练习

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
#每个批次的大小
batch_size=100
n_batch=mnist.train.num_examples//batch_size

#初始化权重
def weight_variable(shape):
    initial=tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)

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

#卷积层
def conv2d(x,W):
    #x input of shape{batch,in_height,in_weight,in_channels} 批次，长，宽，通道数（彩色的=3）
    #W filter/kernel tensor of shape [filter_height, filter_width, in_channels,out_channels]滤波器
    #strides[0]=stride[3]=1；strides[1]代表x方向的步长，stride[2]代表y方向的步长
    #padding:'SAME','VALID'
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#初始化
def max_pool_2x2(x):
    #ksize[1,x,y,1]中间可以调节滑动窗口的大小，strides为步长[1,x,y,1]横向纵向移动x,y步长
    #padding：SAME，VALID
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])

#改变x的格式转为4D的向量[batch,in_height,in_width,in_channels]
#-1默认，黑白图片in_channels=1
x_image=tf.reshape(x,[-1,28,28,1])

#初始化第一个卷积层的权值和权重
W_conv1=weight_variable([5,5,1,32])#5x5的采样窗口，1：输入的通道数，32：输出的通道数得到32个特征平面
b_conv1=bias_variable([32])#32个卷积核32个偏置值

#把x_image和全职向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)#第个卷积层的结果
h_pool1=max_pool_2x2(h_conv1)#pooling结果

#初始化第二个卷积层的权值和偏置
W_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])

#把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)#进行maxpooling

#28x28的图片第一次卷积特征还是28x28,第一次池化后变为14x14
#第二次卷积后为14x14,第二次池化后变为了7x7
#经过上面操作后得到64张7x7的平面

#初始化第一个全连接层的权值
W_fc1=weight_variable([7*7*64,1024])#上一层有7*7*64个神经元，全连接层有1024个神经元
b_fc1=bias_variable([1024])#1024个节点

#把池化层的输出值扁平化为1维
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
#求第一个全连接层的输出
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)

#keep_prob用来表示神经元的输出概率
keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#初始化第二个全连接层
W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])

#计算输出
prediction=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

#交叉熵代价函数
cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用AdamOptimizer进行优化
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔列表中
correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print('iter'+str(epoch)+'Testing Accuarcy'+str(acc))