Tensorflow中级教程——用于Mnist的CNN

最新推荐文章于 2023-10-06 18:14:22 发布
最新推荐文章于 2023-10-06 18:14:22 发布
阅读量441 收藏
点赞数
分类专栏： 深度学习 文章标签： tensorflow Mnist数据集 简单CNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37274615/article/details/78082373
版权

教程来自人工智能社区

主要包括10节内容，实现简单卷积神经网络对MNIST数据集进行分类：conv2d + activation + pool + fc

#第1节：简单卷积神经网络的计算图设计(上)
#第2节：简单卷积神经网络的计算图设计(下)
#调用写好的函数构造计算图，并把计算图写入事件文件，在TensorBoard里面查看
#写好的函数：WeightsVariable、BiasesVariable、Conv2d、Activation、Pool2d、FullyConnected


#第3节：简单卷积神经网络的训练和评估会话

#加入了csv文件收集训练过程的数据
#通用的评估函数，用来评估模型在给定的数据集上的损失和准确率，为了防止内存爆炸，将数据集切片


#第4节：卷积滤波器核的数量与网络性能之间的关系
#研究卷积层中的卷积核个数K与在训练集和验证集上损失曲线、正确率曲线的关系
#在excise3_1_2的基础上添加了一个变量conv1_kernels_num（卷积核个数K）
具体分析结果：点击打开链接

#第5节：用Excel绘制网络性能曲线
#输出结果保存在logs/excise313/eval

                

        

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  qq_37274615
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
Tensorflow实战(二)——MNIST（CNN实现）

				
			

			

				

					陈陈陈Chan的博客
				

				

					08-15
					
					5083
					
				

			

		

		

			
				
原文链接：https://my.oschina.net/u/876354/blog/1926060
本文在原文基础上进行细微的修改和完善。
文章目录1. 准备数据2. 数据预处理3. 划分数据集4. 配置模型5. 训练模型6. 评估优化7. 模型应用8. 完整代码
关于MNIST的介绍可以参考《Tensorflow入门(八)——MNIST》
在构建AI模型时，一般有以下主要步骤：准备数据、数据预处理、划分数据集、配置模型、训练模型、评估优化、模型应用，如下图所示：

下面将按照主要步骤进行介绍。
注意： 由

			
		

	



                

            
              



	

		

			

				
					
tensorflow学习笔记——简单MNIST数据集分类

				
			

			

				

					qq_40692109的博客
				

				

					01-27
					
					679
					
				

			

		

		

			
				
首先在这个网站下载MNIST数据集。下载后的数据如图所示：



代码如下：




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

#载入数据
mnist = input_data.read_data_sets("E:/mnist",one_hot=True)
#每个批次大小...

			
		

	



              


  
              

                


	

		

			

				
					
Tensorflow中mnist数据使用CNN训练

				
			

			

				

					baidu_15113429的博客
				

				

					06-01
					
					548
					
				

			

		

		

			
				
实验代码如下：import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
sess = tf.InteractiveSession()
def weigh

			
		

	





	

		

			

				
					
基于MNIST数据集的CNN搭建与应用

				
			

			

				

					hacker_NO_007的博客
				

				

					03-30
					
					2649
					
				

			

		

		

			
				
提示：考研复试结束后，想具体学习一下CNN的搭建与应用，特意写下此篇文章来加深理解与应用，希望与csdn博客的同学一同学习与交流。

文章目录前言一、CNN是什么？1.个人自评与观点2.CNN拆分3.CNN各层具体深入讲解4.CNN的整体结构二、撸代码实战1.利用TensorFlow，加载MNIST数据集2.构造各个方法函数总结
前言
随着深度学习的不断火爆，计算机视觉领域与自然语言处理出现了更多的创新需求，本文基于手写数字识别数据集MNIST，从零开始搭建卷积神经网络，一步一步在网络上搭建好之后进行训练.

			
		

	



		

			
		



	

		

			

				
					
基于MNIST数据集训练卷积神经网络模型

				
			

			

				

					ccnuacmhdu的博客
				

				

					01-14
					
					3034
					
				

			

		

		

			
				
卷积神经网络
全连接网络的局限性
对于MNIST 手写数字识别，假如第一个隐层的节点数为500，那么一个全连接层的参数个数为：28×28×1×500+500 ≈ 40万。

当图片分辨率进一步提高时，当隐层数量增加时，例如：600 x 600 图像，各隐层节点数分别为300,200和100，则参数个数为：600 x 600 x 300 + 300 x 200 + 200 x 100≈ 1.08亿。...

			
		

	





	

		

			

				
					
卷积神经网络(CNN)的简单实现(MNIST)

					
热门推荐

				
			

			

				

					网络资源是无限的
				

				

					03-06
					
					4万+
					
				

			

		

		

			
				
卷积神经网络(CNN)的简单实现(MNIST)

			
		

	





	

		

			

				
					
pytorch实现训练基于MNIST数据集的CNN网络

					
最新发布

				
			

			

				

					MarkAssassin的博客
				

				

					10-06
					
					223
					
				

			

		

		

			
				
本文使用的卷积网络共4层：2层卷积层（Conv+MaxPool），2层全连接层（Fully-Connected）

			
		

	





	

		

			

				
					
tensorflow基础教程中所用mnist数据集

				
			

			

				

					07-07
				

			

		

		

			
				
tensorflow基础教程中所用mnist数据集，在线下载会出问题，最好采用以下步骤： # (1) 首先在当前项目下新建 MNIST_data # (2) http://yann.lecun.com/exdb/mnist/ 从该网址将4个附件全部下载 # (3) 载的四个文件...

			
		

	





	

		

			

				
					
tensorflow中keras支持的mnist数据集

				
			

			

				

					05-24
				

			

		

		

			
				
这个数据集主要用于识别手写数字，是许多深度学习教程的首选。  标题中提到的"tensorflow中keras支持的mnist数据集"意味着我们可以使用Keras API在TensorFlow环境中轻松加载和处理MNIST数据。Keras已经内置了对MNIST...

			
		

	





	

		

			

				
					
简洁明了的tensorflow2.0教程——用keras实现mnist数字识别

				
			

			

				

					JohnLeeK的博客
				

				

					05-29
					
					2734
					
				

			

		

		

			
				
通过本文你可以快速学会使用keras搭建神经网络，只需40行代码构建神经网络实现mnist数据集手写数字的识别。MNIST数据集(Mixed National Institute of Standards and Technology database)是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集.，图片大小为28*28。完整代码在我的github，链接：https://github.com/JohnLeek/Tensorflow-st

			
		

	





	

		

			

				
					
TensorFlow入门1-CNN网络及MNIST例子讲解

				
			

			

				

					zgzczzw的专栏
				

				

					05-04
					
					1万+
					
				

			

		

		

			
				
1. 前言

人工智能自从阿尔法狗大败李世石后就异常火爆，最近工作中需要探索 AI 在移动端的应用，趁着这个计划入门下深度学习吧。

深度学习的入门曲线还是很陡峭的，看了很多资料，询问了从事相关工作的朋友后终于有点感觉了，这篇文章就讲一下我在这个过程中的所见所得吧，肯定是不专业的，如果所说有什么错误，也希望大家帮忙指出，共同进步。

这个入门的文章准备分以下几个部分来说：


CNN 的原理
Te...

			
		

	





	

		

			

				
					
tensorflow(yunyang) 》》learn_rate

				
			

			

				

					qq_33530422的博客
				

				

					06-02
					
					174
					
				

			

		

		

			
				
tensorflow(yunyang) 》》 learn_rate
原代码:
with tf.name_scope('learn_rate'):
    self.global_step = tf.Variable(1.0, dtype=tf.float64, trainable=False, name='global_step')
    # self.warmup_periods = 2
    # self.steps_per_period = len(self.trainset)
    warmu

			
		

	





	

		

			

				
					
TensorFlow学习实战（一）：通过CNN实现Mnist

				
			

			

				

					IMUDGES_YangHan的博客
				

				

					01-31
					
					679
					
				

			

		

		

			
				
	本次通过CNN来实现Mnist，我给每一部分的代码加上了详细的注释。下面直接上程序：

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

mnist = input_data.read_data_sets('MNIST_data', one_...

			
		

	





	

		

			

				
					
3用于MNIST的卷积神经网络-3.7学习率与权重初始化对网络性能的影响分析

				
			

			

				

					hongxue8888的博客
				

				

					11-10
					
					861
					
				

			

		

		

			
				
原文：http://www.studyai.com/article/73a1d3b70458410e下面我们贴出使用AdamOptimizer优化器时不同的学习率下网络的性能曲线（关于详细分析，请大家到课程中心去听对应的分析）
lr=0.0001lr=0.001 
lr=0.01 
lr=0.1(我们在这个学习率下运行四遍学习过程，由于网络每次的随机起始状态都不一样，所以会得到非常不一样的结果：有时

			
		

	





	

		

			

				
					
Tensorflow的MNIST进阶教程CNN网络参数理解

				
			

			

				

					Double4tar的博客
				

				

					05-29
					
					1万+
					
				

			

		

		

			
				
背景之前博文中关于CNN的模型训练功能上是能实现，但是研究CNN模型内部结构的时候，对各个权重系数ww，偏差bb的shape还是存在疑惑，为什么要取1024，为什么取7*7*64，最近找到了一些相关资料，对这个问题有了新的理解，下面和大家分享一下。

			
		

	





	

		

			

				
					
如何根据训练/验证损失曲线诊断我们的CNN

				
			

			

				

					bbbeoy的专栏
				

				

					02-01
					
					6492
					
				

			

		

		

			
				
前言

在关于训练神经网路的诸多技巧Tricks(完全总结版)这篇文章中，我们大概描述了大部分所有可能在训练神经网络中使用的技巧，这对如何提升神经网络的准确度是很有效的。

然而在实际中，在方法几乎定型的时候，我们往往需要针对自己的任务和自己设计的神经网络进行debug才能达到不错的效果，这也就是一个不断调试不断改进的一个过程。


(炼金何尝不是呢？各种配方温度时间等等的调整)

那么到底如何去Debug呢？

如何Debug

以下的内容部分来自CS231n课程，以及汇总了自己在训练神经网络中遇到的很多

			
		

	





	

		

			

				
					
Tensorflow 优化器（optimizer）

				
			

			

				

					Learning-Deep
				

				

					12-11
					
					3万+
					
				

			

		

		

			
				
所谓的优化器，就是tensorflow中梯度下降的策略，用于更新神经网络中数以百万的参数。工程师们除了在不断的推出新的神经网络的结构以外，还在不断的推出新的参数更新的策略，在这篇博客中，我们就列举tensorflow中所有的优化器，并对几个进行讲解。
为了列举所有的优化器，我们首先把tf包中所有的优化器都罗列出来。这里使用的是tf10版本，目前最新的版本，进入python，用dir(tf.trai...

			
		

	





	

		

			

				
					
TensorFlow实战：从MNIST到CNN入门教程

				
			

			

				

					
				

			

		

		

			
				
深度学习笔记——TensorFlow记录了作者 Edward Cheng 在使用TensorFlow进行深度学习实践过程中的逐步学习和理解。这个系列笔记主要围绕TensorFlow展开，从基础入门到高级应用，涵盖了以下几个关键部分：  1. **...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值