传统的神经网络存在的问题
权值太多,计算量太大
权值太多,需要大量的样本进行训练
卷积神经网络CNN:
CNN通过感受野和权值共享减少了神经网络需要训练的参数个数。
卷积->池化–>卷积->池化–>卷积->池化–>全连接–>全连接
— 对于任意一个卷积网络来说,几个必不可少的部分为:
(1)输入层:用以对数据进行输入
(2)卷积层:使用给定的核函数对输入的数据进行特征提取,并根据核函数的数据产生若干个卷积特征结果
(3)池化层:用以对数据进行降维,减少数据的特征
(4)全连接层:对数据已有的特征进行重新提取并输出结果
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
batch_size = 100 #批次大小
n_batch = mnist.train.num_examples // batch_size # 一共多少批次
#初始化权值
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#初始化偏置
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
#卷积层
def conv2d(x, W): #2d是二维的卷积操作, x是input, W是filter
# x input tensor of shape '[batch,in_height,in_width,in_channels]' -->分别为:批次、图片高、图片宽、图片通道(黑白是1, 彩色是3)
# W filter/kernel tensor of shape [filter_height,filter_width,in_channels,out_channels]
# strides[0]=strides[3]=1(一般都是这样写),strides[1]代表x方向的步长,strides[2]代表y方向的步长
# padding :A string from :"SAME","VALID" ===="SAME":代表填充(卷积后规格大小不变),"VALID":代表不填充
return tf.nn.conv2d(x,W, strides=[1,1,1,1], padding='SAME') # strides=[1,1,1,1] 相当于图像不变
#池化层
def max_pool_2x2(x):
# ksize [1,x,y,1] x*y表示池化的窗口的大小
# strides[1]:代表x方向步长、strides[2]:代表y方向步长
return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1],padding='SAME') # strides=[1,2,2,1]相当于图像缩小2倍
x = tf.placeholder(tf.float32, [None, 784]) # 行,列 28*28=794 列
y = tf.placeholder(tf.float32, [None, 10])
#改变x的格式转为4D的向量[batch,in_height,in_width,in_channels]
x_image = tf.reshape(x, [-1,28,28,1]) # batch是批次 这里是100 把784复原为28*28 1是黑白图片
#初始化第一个卷积层的权值和偏置值
# 5*5的卷积采样窗口,1是输入的通道(黑白是1,彩色是3),32是输出的通道数,32个卷积核从1个平面抽取特征,产生32个特征平面
W_conv1 = weight_variable([5,5,1,32]) #开始都是 从1个平面抽取特征,这里产生32个特征平面
b_conv1 = bias_variable([32])#每个卷积核一个偏置值
#把x_image和权值向量进行卷积,再加上偏置值,然后应用于relu激活函数
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1) #进行卷积采样, [-1,28,28,1]进过窗口[5,5,1,32] 方式strides=[1,1,1,1] 输出1:1,32个特征值
h_pool1 = max_pool_2x2(h_conv1) #进行最大池化 输出1:1,32个特征值,进过ksize=[1,2,2,1], strides=[1,2,2,1], 输出缩小1/2,变成14*14
# 初始化第二个卷积层的权值和偏置值
# 5*5的采样窗口,64个卷积核从32个特征平面抽取特征(每个卷积核对32个特征平面卷积,再将对应位置相加形成一个特征平面),产生64个特征平面
W_conv2 = weight_variable([5, 5, 32, 64]) #从之前的32个特征平面,在提取特征,形成64个特征平面
b_conv2 = bias_variable([64]) # 每个卷积核一个偏置值
# 把h_pool1和权值向量进行卷积,再加上偏置值,然后应用于relu激活函数
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2) # 进行最大池化
#28*28的图片第一次卷积后还是28*28,第一次池化后变为14*14 ========== 卷积的核:weight_variable([5,5,1,32]) strides=[1,1,1,1] 池化的核 ksize=[1,2,2,1], strides=[1,2,2,1]
#第二次卷积后为14*14,第二次池化后变为7*7 ======= 卷积的核:weight_variable([5, 5, 32, 64]) strides=[1,1,1,1] 池化的核 ksize=[1,2,2,1], strides=[1,2,2,1]
#进行上面操作后得到64张7*7的平面 ======= #开始都是 从1个平面抽取特征,这里产生32个特征平面 --->#从之前的32个特征平面,在提取特征,形成64个特征平面
#初始化第一个全连接层的权值
#上一层有7*7*64个神经元,全连接层有1024个神经元
W_fc1 = weight_variable([7*7*64, 1024]) # 进过第二次池化输出得到,7*7的图片大小,64个特征值,设置全连接层的神经元是1024
b_fc1 = bias_variable([1024])#1024个节点
#把池化层2的输出扁平化为1维,-1代表批次规格
h_pool2_flat = tf.reshape(h_pool2, [-1,7*7*64]) # -1是batch 把后面的维度扁平化
#求第一个全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) # 获得全连接层的输出
#keep_prob用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#初始化第二个全连接层
W_fc2 = weight_variable([1024, 10]) #上一层有1024个神经元,打算输出全连接层有10个神经元,=10个分类
b_fc2 = bias_variable([10]) ##10个节点
#计算输出
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) # 得到概率
#交叉熵代价函数的平均值
cross_entropy =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y, logits=prediction))
#Adam优化器 学习率:0.01或者1e-2:代表10的-2次方
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔列表中
corrent_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y,1 )) #argmax返回一维张量中最大数额位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(corrent_prediction, tf.float32))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for epoch in range(21):# 21个周期
for batch in range(n_batch): #获得n_batch个批次的数据
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict={x:batch_xs , y:batch_ys, keep_prob:0.7})
# 利用测试集进行测试该迭代时模型的准确率
acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels,keep_prob:1.0})
# 打印迭代次数及对应准确率
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))