上一篇：Tensorflow入门四-手写数据集MNIST识别神经网络并实现存取模型（one-hot编码，softmax,交叉熵）https://blog.csdn.net/qq_36187544/article/details/89683997
下一篇：Tensorflow入门六-图像处理及Python实现（DeepDream，1×1卷积核，捷径连接）https://blog.csdn.net/qq_36187544/article/details/89742830
由于cifar数据集通过python下载实在太慢了，给一个百度云链接链接：链接：https://pan.baidu.com/s/1y0nVg7stYz4OPwxc4bh8pg
提取码：cvee
断点续训很重要，可多次非连续训练，适合实际工作
目录
卷积神经网络的基本概念
卷积神经网络（CNN)，计算机视觉入门，卷积的理解：机器学习（14）--经典边缘检测canny算法（计算机视觉从0到1）https://blog.csdn.net/qq_36187544/article/details/89548363
相较于传统的全连接神经网络（DNN）而言，卷积神经网络利用局部连接和参数共享的方式降低了参数的数量，实现速度更快，网络可以更深更广！
padding（填充）：图像在进行卷积后往往图像大小会改变，采用填充的方式使图像大小不变：
多通道卷积：比如常见的RGB三通道，每个通道采用一个卷积核生成对应图样，再进行合成。可以保留更多的特征（比如一个保留纵向特征，一个保留横向特征等），当然可以加偏置等操作
池化（降采样）：目的在于减小特征数量，防止过拟合。常用方法--均值池化（对区域内像素点取均值，特征数据对背景敏感），最大池化（取最大值，得到特征对纹理特征信息更加敏感）
步长（stribe)：表示卷积核在图片移动的格数，通过不同步长可得到不同尺寸卷积输出结果，步长大于1可降维，（池化也是降维）
总之，卷积神经网络中，卷积层为了增强特征，降噪，池化层为了防止过拟合，减少特征数量
tensorflow卷积函数
需要注意的是Input一定是一个张量，进入图像需要进行图像处理
CIFAR-10数据集
一个适用于识别普适物体的小型数据集，10个类别的RGB彩图，尺寸32×32，训练图片50000张，测试10000张
可查看cifar10数据集https://www.cs.toronto.edu/~kriz/cifar.html
由于这个数据集通过程序下载很慢，文章开头有百度云链接可下载放在相关目录下。
TensorFlow实现CNN并实现断点续训
什么叫断点续训？程序可以保存模型，为了防止意外情况发生，需要不时保存模型，并在下一次训练时调用已保存的数据继续进行训练，可以防止各种意外！
实现的CNN结构如下：
'''
cifar数据集卷积神经网络，断点续训
'''
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
from time import time
import os
import urllib.request
import tarfile
import pickle as p
from sklearn.preprocessing import OneHotEncoder
#下载，如果是第一次执行下载要很久！注意同级目录下一定要有data文件夹，否则会提示文件或文件夹不存在
from tensorflow.contrib.timeseries import predict_continuation_input_fn
url = 'https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz'
filepath = 'data/cifar-10-python.tar.gz'
if not os.path.isfile(filepath):
result = urllib.request.urlretrieve(url,filepath)
print("download:",result)
else:
print("file existed")
#解压
if not os.path.exists("data/cifar-10-batches-py"):
tfile = tarfile.open("data/cifar-10-python.tar.gz",'r:gz')
result = tfile.extractall("data/")
print("Extracted to ./data/cifar-10-batches-py")
else:
print("directory existed")
#读取单批次数据样本，一个样本由标签和图像数据组成
def load_CIFAR_batch(filename):
with open(filename,'rb') as f:
data_dict = p.load(f,encoding='bytes')
images = data_dict[b'data']
labels = data_dict[b'labels']
#把原始数据结构调整为:BCWH
images = images.reshape(10000,3,32,32)
#tensorflow处理图像数据结构为：BWHC
images = images.transpose(0,2,3,1)
labels = np.array(labels)
return images,labels
#读取完整数据集
def load_CIFAR_data(data_dir):
images_train=[]
labels_train=[]
for i in range(5):
f = os.path.join(data_dir, "data_batch_%d"%(i+1))
print("loading",f)
image_batch,label_batch = load_CIFAR_batch(f)
images_train.append(image_batch)
labels_train.append(label_batch)
Xtrain = np.concatenate(images_train)
Ytrain = np.concatenate(labels_train)
del image_batch,label_batch
Xtest,Ytest = load_CIFAR_batch(os.path.join(data_dir,'test_batch'))
print("finished loadding CIFAR-10 data")
return Xtrain,Ytrain,Xtest,Ytest
data_dir = 'data/cifar-10-batches-py/'
Xtrain,Ytrain,Xtest,Ytest = load_CIFAR_data(data_dir)
#查看单项image和label
# plt.imshow(Xtrain[5])
# plt.show()
#定义标签早点
label_dict = {0:'airplane',1:'automobile',2:'bird',3:'cat',4:'deer',5:'dog',6:'frog',7:'horse',8:'ship',9:'truck'}
#定义显示图像及标签数据
def plot_images_labels_prediction(images,labels,prediction,idx,num=10):
fig = plt.gcf()
fig.set_size_inches(12,6)
if num>10:
num = 10
for i in range(num):
ax = plt.subplot(2,5,1+i)
ax.imshow(images[idx],cmap = 'binary')
title = str(i)+','+label_dict[labels[idx]]
if len(prediction)>0:
title += '=>'+label_dict[prediction[idx]]
ax.set_title(title,fontsize=10)
idx+=1
plt.show()
#显示图像
#plot_images_labels_prediction(Xtest,Ytest,[],0,10)
#图像数据预处理
#数字标准化
Xtrain_normalize = Xtrain.astype('float32')/255.0
Xtest_normalize = Xtest.astype('float32')/255.0
#标签转独热编码
encoder = OneHotEncoder(sparse=False)
yy = [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9]]
encoder.fit(yy)
Ytrain_reshape = Ytrain.reshape(-1,1)
Ytrain_onehot = encoder.transform(Ytrain_reshape)
Ytest_reshape = Ytest.reshape(-1,1)
Ytest_onehot = encoder.transform(Ytest_reshape)
tf.reset_default_graph()
#定义权值,偏置，卷积，池化
def weight(shape):
return tf.Variable(tf.truncated_normal(shape,stddev=0.1),name='W')
def bias(shape):
return tf.Variable(tf.constant(0.1,shape=shape),name='b')
def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
def max_pool_2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#定义网络结构
with tf.name_scope('input_layer'):
x = tf.placeholder('float',shape=[None,32,32,3],name="x")
with tf.name_scope('conv_1'):
W1 = weight([3,3,3,32]) #[k_width,k_height,input_chn,output_chn]
b1 = bias([32])
conv_1 = conv2d(x,W1)+b1
conv_1 = tf.nn.relu(conv_1)
with tf.name_scope('pool_1'):
pool_1 = max_pool_2(conv_1)
with tf.name_scope('conv_2'):
W2 = weight([3,3,32,64])
b2 = bias([64])
conv_2 = conv2d(pool_1,W2)+b2
conv_2 = tf.nn.relu(conv_2)
with tf.name_scope('pool_2'):
pool_2 = max_pool_2(conv_2)
with tf.name_scope('fc'):
W3 = weight([4096,128])
b3 = bias([128])
flat = tf.reshape(pool_2,[-1,4096])
h = tf.nn.relu(tf.matmul(flat,W3)+b3)
h_dropout = tf.nn.dropout(h,keep_prob=0.8)
with tf.name_scope('output_layer'):
W4 = weight([128,10])
b4 = bias([10])
pred = tf.nn.softmax(tf.matmul(h_dropout,W4)+b4)
# 构建模型
with tf.name_scope('optimizer'):
y = tf.placeholder('float',shape=[None,10],name='label')
loss_function = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred,labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss_function)
#定义准确率
with tf.name_scope('evalution'):
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,'float'))
train_epochs = 8
batch_size = 50
total_batch = int(len(Xtrain)/batch_size)#一轮训练多少批次
epoch_list,accuracy_list,loss_list = [],[],[]
epoch = tf.Variable(0,name='epoch',trainable=False)
startTime = time()
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
#断点续训
ckpt_dir = 'CIFAR-10_log/'
if not os.path.exists(ckpt_dir):
os.makedirs(ckpt_dir)
#生成saver
saver = tf.train.Saver(max_to_keep=1)
ckpt = tf.train.latest_checkpoint(ckpt_dir)
if ckpt != None:
saver.restore(sess,ckpt)
else:
print("training from scratch")
#获取续训参数
start = sess.run(epoch)
print("Training start from {} epoch".format(start+1))
#迭代训练
def get_train_batch(number,batch_size):
return Xtrain_normalize[number*batch_size:(number+1)*batch_size],Ytrain_onehot[number*batch_size:(number+1)*batch_size]
for ep in range(start,train_epochs):
for i in range(total_batch):
batch_x,batch_y = get_train_batch(i,batch_size)
sess.run(optimizer,feed_dict={x:batch_x,y:batch_y})
if i % 100 == 0:
print("step{}".format(i),"finished")
loss,acc = sess.run([loss_function,accuracy],feed_dict={x:batch_x,y:batch_y})
epoch_list.append(ep+1)
loss_list.append(loss)
accuracy_list.append(acc)
print("Train epoch:","%02d"%(sess.run(epoch)+1),"Loss= ","{:.6f}".format(loss),"Accuracy=",acc)
#保存检查点
saver.save(sess,ckpt_dir+"CIFAR10_cnn_model.cpkt",global_step=ep+1)
sess.run(epoch.assign(ep+1))
duration = time() - startTime
print("training takes time:",duration)
#可视化损失值
fig = plt.gcf()
fig.set_size_inches(4,2)
plt.plot(epoch_list,loss_list,label='loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['loss'],loc='upper right')
plt.show()
#可视化准确率
plt.plot(epoch_list,accuracy_list,label="accuracy")
fig = plt.gcf()
fig.set_size_inches(4,2)
plt.ylim(0.1,1)
plt.ylabel("accuracy")
plt.xlabel('epoch')
plt.legend()
plt.show()
#评估模型和预测
test_total_batch = int(len(Xtest_normalize)/batch_size)
test_acc_sum = 0.0
for i in range(test_total_batch):
test_image_batch = Xtest_normalize[i*batch_size:(i+1)*batch_size]
test_label_batch = Ytest_onehot[i*batch_size:(i+1)*batch_size]
test_batch_acc = sess.run(accuracy, feed_dict={x:test_image_batch,y:test_label_batch})
test_acc_sum += test_batch_acc
test_acc = float(test_acc_sum/test_total_batch)
print("test accuracy :{:.6f}".format(test_acc))
#利用模型进行预测
test_pred = sess.run(pred,feed_dict={x:Xtest_normalize[:10]})
prediction_result = sess.run(tf.argmax(test_pred,1))
plot_images_labels_prediction(Xtest,Ytest,prediction_result,0,10)
控制台不断输出：
我们可以随时将程序停掉，并查看目录下日志保存情况，直接再次执行即可断点续训*(可以发现初始从第二代开始)：
可视化展示结果，电脑垃圾，运行太慢，执行了4代差不多了，截图over，如果迭代次数够久，可以看见收敛性等：
多数预测正确，部分预测错误：
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
