cnn图像识别python代码_python tensorflow基于cnn实现手写数字识别

一份基于cnn的手写数字自识别的代码，供大家参考，具体内容如下

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

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 加载数据集

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 以交互式方式启动session

# 如果不使用交互式session，则在启动session前必须

# 构建整个计算图，才能启动该计算图

sess = tf.InteractiveSession()

"""构建计算图"""

# 通过占位符来为输入图像和目标输出类别创建节点

# shape参数是可选的，有了它tensorflow可以自动捕获维度不一致导致的错误

x = tf.placeholder("float", shape=[None, 784]) # 原始输入

y_ = tf.placeholder("float", shape=[None, 10]) # 目标值

# 为了不在建立模型的时候反复做初始化操作，

# 我们定义两个函数用于初始化

def weight_variable(shape):

# 截尾正态分布,stddev是正态分布的标准偏差

initial = tf.truncated_normal(shape=shape, stddev=0.1)

return tf.Variable(initial)

def bias_variable(shape):

initial = tf.constant(0.1, shape=shape)

return tf.Variable(initial)

# 卷积核池化,步长为1,0边距

def conv2d(x, W):

return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

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"""

# 由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征，是因为使用32个滤波器进行卷积

# 卷积的权重张量形状是[5, 5, 1, 32],1是输入通道的个数，32是输出通道个数

W_conv1 = weight_variable([5, 5, 1, 32])

# 每一个输出通道都有一个偏置量

b_conv1 = bias_variable([32])

# 位了使用卷积，必须将输入转换成4维向量，2、3维表示图片的宽、高

# 最后一维表示图片的颜色通道(因为是灰度图像所以通道数维1，RGB图像通道数为3)

x_image = tf.reshape(x, [-1, 28, 28, 1])

# 第一层的卷积结果,使用Relu作为激活函数

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))

# 第一层卷积后的池化结果

h_pool1 = max_pool_2x2(h_conv1)

"""第二层卷积"""

W_conv2 = weight_variable([5, 5, 32, 64])

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"""

# 图片尺寸减小到7*7，加入一个有1024个神经元的全连接层

W_fc1 = weight_variable([7*7*64, 1024])

b_fc1 = bias_variable([1024])

# 将最后的池化层输出张量reshape成一维向量

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])

# 全连接层的输出

h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

"""使用Dropout减少过拟合"""

# 使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率

# 在训练的过程中启用dropout，在测试过程中关闭dropout

keep_prob = tf.placeholder("float")

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

"""输出层"""

W_fc2 = weight_variable([1024, 10])

b_fc2 = bias_variable([10])

# 模型预测输出

y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 交叉熵损失

cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))

# 模型训练,使用AdamOptimizer来做梯度最速下降

train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 正确预测,得到True或False的List

correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))

# 将布尔值转化成浮点数，取平均值作为精确度

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# 在session中先初始化变量才能在session中调用

sess.run(tf.global_variables_initializer())

# 迭代优化模型

for i in range(2000):

# 每次取50个样本进行训练

batch = mnist.train.next_batch(50)

if i%100 == 0:

train_accuracy = accuracy.eval(feed_dict={

x: batch[0], y_: batch[1], keep_prob: 1.0}) # 模型中间不使用dropout

print("step %d, training accuracy %g" % (i, train_accuracy))

train_step.run(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}))

做了2000次迭代，在测试集上的识别精度能够到0.9772……

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python tensorflow基于cnn实现手写数字识别

本文地址: http://www.cppcns.com/jiaoben/python/216273.html