在单个GPU上实现Mnist +CNN

http://mp.blog.csdn.net/postedit/79135560（tensorflow 安装过程）

接上一篇利用docker搭建的环境，在jupyter下实现一个两层的CNN，利用Mnist手写数据集对它进行训练并实现对测试样本的分类输出分类的正确率。

对CNN原理不清楚的同学请先自行百度，这个网上的资源很全分析的很透彻，多看几篇别人的博客或者找几篇论文看看，从原理上把CNN弄懂后在实践。

第一步：下载Mnist数据集

通过简单的命令可以直接下载：

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

点运行后会有4个压缩包文件，并且这四个压缩包的内容传到了mnist中

如图，Mnist数据集就下好了并且传递到mnist备用。此处不用做任何修改。需要注意的是：如果你的网络状态不好，会提示IOError，解决方法很简单：一，换一个好点的网络环境、二，多试几次，总会成功的。

第二步：搭建一个简单的CNN卷积网络（只有一个gpu）

#输入图像和目标输出节点
x=tf.placeholder("float",shape=[None,784])
y_=tf.placeholder("float",shape=[None,10])
#设置变量
def weight_variable(shape):
    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)

#变量初始化
#sess.run(tf.initialize_all_variables())

#卷积、池化：卷积的方法，卷积核移动的步长，输入图像和输出图像之间的大小关系
def conv2d(x,w):
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')

def max_pool_2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')


#第一层卷积：定义卷积核大小，通道数以及图像的通道数

w_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])


#对输入进行处理

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


#卷积操作：提取特征，选用relu函数

h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)
h_pool1=max_pool_2(h_conv1)

#第二层卷积：卷积核大小，移动步长，生成的特征图的数目,输入通道数和输出通道数

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_2(h_conv2)

#全链接层:平展层单个像素,设置神经元个数

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)


#dropout：防止过拟合，训练时开启，测试时关闭

keep_prob=tf.placeholder("float")
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#输出层:全链接层

w_fc2=weight_variable([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:交叉熵

cross_entroy=-tf.reduce_sum(y_*tf.log(y_conv))
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entroy)
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(2000):
        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})
                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}))        

在测试样本上的正确率可以达到0.9753。

另：不建议在自己的笔记本上跑，所用时间较长，博主不是一个很有耐心的人。给大家的建议是遇到看不懂的函数和操作多看几遍，并且自己换着用自己的思路实现一遍。

下一篇会介绍如何利用多个gpu跑神经网络。