TensorFlow-MNSIT进阶篇代码

在入门篇之后  进阶篇进行了拓展

使用了卷积神经网络 两个卷积层 两个pooling层 一个全连接层

其中注意 padding='SAME'对图片大小的影响

• For the SAME padding, the output height and width are computed as:

  out_height = ceil(float(in_height) / float(strides[1]))

  out_width = ceil(float(in_width) / float(strides[2]))

And

• For the VALID padding, the output height and width are computed as:

  out_height = ceil(float(in_height - filter_height + 1) / float(strides1))

  out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))

input_data.py

# __author__ = 'youngkl'
# -*- coding: utf-8 -*-

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import gzip
import os
import tempfile

import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

mnist_second.py

#-*- coding:utf-8 -*-

import input_data
import tensorflow as tf

mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)
#one_hot编码 向量上只有一位是1其他都是0

x=tf.placeholder(tf.float32,[None,784])#占位符 输入任意数量的图片 每一张图片展开成784维向量
y_=tf.placeholder("float",[None,10])#占位符用于输入正确值

x_image=tf.reshape(x,[-1,28,28,1])
#把x变成一个4d向量 其第2，3维对应图片的宽、高 最后一维代表图片的颜色通道数（灰度图片通道数为1 如果是rgb彩色图，为3）
# print x_image
#权重初始化
def weight_variale(shape):
    #生成较小的随机数
    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)

#卷积和池化
def conv2d(x,W):
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
    #等于SAME 表示0边距  卷积核可以停留在图像边缘
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],
                        strides=[1,2,2,1],padding='SAME')

#第一层卷积层
w_conv1=weight_variale([5,5,1,32])
#前两个参数表示卷积的窗口大小，第三个参数：输入的通道数  第四个参数：输出的通道数（我们想使用的特征数）
b_conv1=bias_variable([32])
h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)
#卷积之后加上偏置 进行relu操作
h_pool1=max_pool_2x2(h_conv1)

#第二层卷积层
w_conv2=weight_variale([5,5,32,64])
#第一层的输出变成第二层的输入了 所以第三个参数为32
b_conv2=bias_variable([64])
h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)

#全连接层
#图片变成了28*28／2／2=7*7  上一层输出64个
w_fc1=weight_variale([7*7*64,1024])
b_fc1=bias_variable([1024])
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1)+b_fc1)

#dropout
keep_prob=tf.placeholder("float")
h_fc1_drop=tf.nn.dropout(h_fc1, keep_prob)#使用占位符 表示dropout的比率

#输出层
w_fc2=weight_variale([1024,10])
b_fc2=bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2)+b_fc2)

#训练和评估模型
cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))
#adam优化来做梯度下降
train_step=tf.train.AdadeltaOptimizer(1e-4).minimize(cross_entropy)
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
sess=tf.Session()
sess.run(tf.initialize_all_variables())
for i in range(20000):
    batch=mnist.train.next_batch(500)
    if i%100 == 0:
        train_accuracy=sess.run(accuracy,feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})
        print "Step %d, training accuracy %g"%(i,train_accuracy)
    sess.run(train_step,feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})

print "test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})