TensorFlow实现简单的CNN

最新推荐文章于 2024-08-01 12:28:11 发布

东泰山

最新推荐文章于 2024-08-01 12:28:11 发布

阅读量3k

点赞数 4

分类专栏：机器学习 Tensorflow 文章标签： TensorFlow CNN

本文链接：https://blog.csdn.net/u010936286/article/details/80728708

版权

本文详细介绍了如何使用TensorFlow构建简单的CNN模型来识别MNIST手写数字数据集。通过2层卷积层和1层全连接层，结合随机批量训练和学习率指数衰减策略，实现模型训练。实验结果显示，调整超参数后，在1500次迭代中，模型准确率超过97%。

摘要由CSDN通过智能技术生成

这里，我们将采用Tensor Flow内建函数实现简单的CNN，并用MNIST数据集进行测试

第1步：加载相应的库并创建计算图会话

import numpy as np
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
import matplotlib.pyplot as plt

#创建计算图会话
sess = tf.Session()

第2步：加载MNIST数据集，这里采用TensorFlow自带数据集，MNIST数据为28×28的图像，因此将其转化为相应二维矩阵

#数据集
data_dir = 'MNIST_data'
mnist = read_data_sets(data_dir)

train_xdata = np.array([np.reshape(x,[28,28]) for x in mnist.train.images] )
test_xdata = np.array([np.reshape(x,[28,28]) for x in mnist.test.images] )

train_labels = mnist.train.labels
test_labels = mnist.test.labels

第3步：设置模型参数

这里采用随机批量训练的方法，每训练10次对测试集进行测试，共迭代1500次，学习率采用指数下降的方式，初始学习率为0.1,每训练10次，学习率乘0.9，为了进行对比，后面会给出固定学习率为0.01的损失曲线图和准确率图

#设置模型参数

batch_size = 100 #批量训练图像张数
initial_learning_rate = 0.1 #学习率
global_step = tf.Variable(0, trainable=False)  ;
learning_rate = tf.train.exponential_decay(initial_learning_rate,
                                           global_step=global_step,
                                           decay_steps=10,decay_rate=0.9)

evaluation_size = 500 #测试图像张数

image_width = 28  #图像的宽和高
image_height = 28

target_size = 10    #图像的目标为0~9共10个目标
num_channels = 1       #灰度图，颜色通道为1
generations  = 1500    #迭代500次
evaluation_step = 10  #每训练十次进行一次测试

conv1_features = 25   #卷积层的特征个数
conv2_features = 50

max_pool_size1 = 2   #池化层大小
max_pool_size2 = 2

fully_connected_size = 100 #全连接层的神经元个数

第4步：声明占位符，注意这里的目标y_target类型为int32整型

#声明占位符

x_input_shape = [batch_size,image_width,image_height,num_channels]
x_input = tf.placeholder(tf.float32,shape=x_input_shape)
y_target = tf.placeholder(tf.int32,shape=[batch_size])

evaluation_input_shape = [evaluation_size,image_width,image_height,num_channels]
evaluation_input = tf.placeholder(tf.float32,shape=evaluation_input_shape)
evaluation_target = tf.placeholder(tf.int32,shape=