TensorFlow学习-基于CNN实现手写数字识别

最新推荐文章于 2023-12-14 15:44:07 发布

d4shman

最新推荐文章于 2023-12-14 15:44:07 发布

阅读量2k

点赞数

本文链接：https://blog.csdn.net/wusuopuBUPT/article/details/71516835

版权

本文档详细介绍了如何使用TensorFlow构建一个基于CNN的手写数字识别模型。模型包括两个卷积层，两个池化层和两个全连接层。在训练过程中，采用one-hot编码处理标签，使用交叉熵作为损失函数，并通过随机梯度下降进行优化。在模型评估阶段，通过设置评估指标来检查模型性能。完整代码可在TensorFlow官方仓库找到。

摘要由CSDN通过智能技术生成

一、网络结构

使用2个卷积层，2个池化层, 2个全连接层组成网络

输入→ 卷积→ ReLU→max polling→ 卷积→ ReLU→max polling→ FC→输出

输入
一个4维的tensor: [batch_size, image_width, image_height, channels], 分别代表梯度下降处理的批量数据大小，图片宽度，图片高度和图片的channel个数（彩色图片channel数为3[Red, Green, Blue]，单色图片channel数为1）

 
            # Input Layer 
           
            # Reshape X to 4-D tensor: [batch_size, width, height, channels] 
           
            # MNIST images are 28x28 pixels, and have one color channel 
           
            input_layer  
            =  
            tf.reshape(features, [ 
            - 
            1 
            ,  
            28 
            ,  
            28 
            ,  
            1 
            ])

卷积层#1：
采用32(channel)个5*5的过滤器(kernel)对原始输入图像做卷积(局部感知)，另外对输入矩阵加了zero padding以保持卷积输出宽高和输入一致，并用ReLU作为激活函数引入非线性特性

 
            # Convolutional Layer #1 
           
            # Computes 32 features using a 5x5 filter with ReLU activation. 
           
            # Padding is added to preserve width and height. 
           
            # Input Tensor Shape: [batch_size, 28, 28, 1] 
           
            # Output Tensor Shape: [batch_size, 28, 28, 32] 
           
            conv1  
            =  
            tf.layers.conv2d( 
           
            inputs 
            = 
            input_layer, 
           
            filters 
            = 
            32 
            , 
           
            kernel_size 
            = 
            [ 
            5 
            ,  
            5 
            ], 
           
            padding 
            = 
            "same" 
            , 
           
            activation 
            = 
            tf.nn.relu)

池化层#1
采用2*2的过滤器(stride=2)对卷积层#1的输出做最大值下采样(max polling)，降低了数据纬度，并避免过拟合

 
            # Pooling Layer #1 
           
            # First max pooling layer with a 2x2 filter and stride of 2 
           
            # Input Tensor Shape: [batch_size, 28, 28, 32]