TensorFlow实现神经网络算法（四） CNN实现MNIST手写识别

两个5x5卷积层，一个全连接层，一个输出层。

实验结果，精度可达到0.97

直接上代码

import  tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)

#定义输入和输出的占位符
x=tf.placeholder("float",[None,784])
y_=tf.placeholder("float",[None,10])

#定义学习参数初始化函数
#之前我们定义学习参数都是一直参数矩阵，偏置矩阵的形状，所以可以直接初始化，这种就是不用一次根据形状进行初始化，把形状作为一个参数封装到一个函数里面，每次确定形状了再调用也是一个不错的选择
def weight_variable(shape):
    return tf.Variable(tf.truncated_normal(shape,stddev=0.1))
def bias_variable(shape):
    return tf.Variable(tf.constant(0.1,shape=shape))

#因为我们使用的都是固定的参数，所以可以直接封装成函数
def conv2d(x,W): #这个x按照参数要求应该是4维的张量，但是之前定义的占位符是二维的，这样也可以？
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') #卷积核就参数W
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#定义第一层卷积
W_conv1=weight_variable([5,5,1,32])#前两个维度是patch的大小，接着是输入的通道数目，最后是输出的通道数目。 而对于每一个输出通道都有一个对应的偏置量
b_conv1=bias_variable([32])

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

h_conv1=tf.nn.relu(conv2d(x_images,W_conv1)+b_conv1) #先激活，再池化
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)

#密集连接层
W_fc1=weight_variable([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)


#输出层
W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1,W_fc2)+b_fc2)

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

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

#测试精度
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accury=tf.reduce_mean(tf.cast(correct_prediction,"float"))

init=tf.initialize_all_variables()
#开启训练
with tf.Session() as sess:
    sess.run(init)
    for i in range(1500):
        batch=mnist.train.next_batch(50)
        if i%10==0:
            batch_test = mnist.test.next_batch(1000)
            train_accury=accury.eval(feed_dict={x:batch_test[0],y_:batch_test[1]})
            print("step training accury",i,train_accury) #这样就可以当前模型的精度了
        sess.run(train_step,feed_dict={x:batch[0],y_:batch[1]})
    batch_test=mnist.test.next_batch(1000)
    print("test accury ",accury.eval(feed_dict={x:batch_test[0],y_:batch_test[1]}))

最后测试精度部分我从测试集中选取了1000个样本进行测试，可能不是很精准，如果计算机性能很好的话用全部测试集测试最好。