深度学习(五)基于tensorflow实现简单卷积神经网络Lenet5

深度学习教程目录如下,还在更新完善中

深度学习系列教程目录

参考博客:

目前,人工智能神经网络已经成为一种非常流行的技术,今天它被用来实现神经网络的第一步。

首先,代码在模块中解释。

1.先导入模块。如果没有,则需要在线下载。在这里,使用 mnist 训练集来训练和识别手写数字。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf 
#导入数据,创建一个session对象 ,之后的运算都会跑在这个session里
mnist = input_data.read_data_sets("MNIST/",one_hot=True)
sess = tf.InteractiveSession()

2、为方便起见,函数定义后会重复使用

#定义一个函数,用于初始化所有的权值 W,这里我们给权重添加了一个截断的正态分布噪声 标准差为0.1
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)
#定义一个函数,用于初始化所有的偏置项 b,这里给偏置加了一个正值0.1来避免死亡节点
def bias_variable(shape):
    inital = tf.constant(0.1,shape=shape)
    return tf.Variable(inital)
#定义一个函数,用于构建卷积层,这里strides都是1 代表不遗漏的划过图像的每一个点
def conv2d(x,w):
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
#定义一个函数,用于构建池化层
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

主要功能说明:

卷积层:

tf.nn.(输入, , , , =None, =None, name=None)

参数说明:

池化层:

tf.nn.(value, ksize,,,=’NHWC’,name=None)

或者

tf.nn.(…)

参数说明:

#placceholder 基本都是用于占位符 后面用到先定义
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])
x_image = tf.reshape(x,[-1,28,28,1])                                #将数据reshape成适合的维度来进行后续的计算
#第一个卷积层的定义
W_conv1 = weight_variable([5,5,1,32])                                
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)                #激活函数为relu
h_pool1 = max_pool_2x2(h_conv1)                                        #2x2 的max pooling 
#第二个卷积层的定义
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)
#第一个全连接层的定义
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)
#将第一个全连接层 进行dropout 随机丢掉一些神经元不参与运算
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
#第二个全连接层 分为十类数据 softmax后输出概率最大的数字
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)

上面使用了函数来计算损失。

损失是什么意思?如下:

第一个 L 是损失。Sj是输出向量S的第j个值,前面已经介绍过,代表这个样本属于第j个类别的概率。yj前面有一个求和符号,j的取值范围也是1到类别数T,所以y是一个1*T的向量,里面有T个值,只有1个值是1,而其他的T-1值都是0。那么哪个位置的值是1呢?答案是真标签对应的位置的值为1,其他的都是0。所以这个公式其实有一个更简单的形式:

当然,此时 j 仅限于指向当前样本的真实标签。

让我们举个例子。假设一个5分类问题,那么一个样本I的标签y=[0,0,0,1,0],也就是说样本I的真实标签是4,假设模型预测结果概率(输出) p=[ 0.1,0.15,0.05,0.6,0.1],可以看出这个预测是正确的,那么对应的loss L =-log(0.6),即当这个样本通过这样的网络参数产生这样的预测p时,它的loss为-log(0.6). 那么假设 p=[0.15,0.2,0.4,0.1,0.15],这个预测很离谱,因为真实标签是4,而你认为​​这个样本是4的概率只有0.1(比其他概率小很多,如果是在测试阶段,

————————————–华丽的分界线————————————–

整理完损失后,可以看一下十字架。

corss 表示交叉熵,其公式如下:

tf.nn.(x, , =None, seed=None, name=None)

上述方法中常用的前两个参数:

第一个参数x:指输入

第二个参数:设置神经元被选中的概率,是初始化时的占位符,=tf.(tf.)。在运行时设置一个特定的值,例如:0.5

第五个参数name:指定操作的名称。

所做的就是以最高概率获得预测数据和真实数据来比较它们是否相同

tf.cast()为类型转换函数 转换成float32类型

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv),reduction_indices=[1]))        #交叉熵
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)                                #这里用Adam优化器 优化 也可以使用随机梯度下降

correct_predition = tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))                   
accuracy = tf.reduce_mean(tf.cast(correct_predition,tf.float32))                                #准确率

tf.initialize_all_variables().run()                                                                #使用全局参数初始化器 并调用run方法 来进行参数初始化

tf.bles() 接口是一个旧接口,也许你的接口不再可用。现在 tf.bles() 已被 tf.() 函数取代

以下是使用 50 的 mini-batch 大小进行迭代训练。每百次调查后,可直接测试准确率。

for i in range(20000):
    batch = mnist.train.next_batch(50)
    if i0 == 0:
        train_accuracy = accuracy.eval(feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})        #每一百次验证一下准确率
        print "step %d,training accuracy %g"%(i,train_accuracy)
    train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})                            #batch[0]   [1] 分别指数据维度 和标记维度 将数据传入定义好的优化器进行训练
print "test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})    #开始测试数据 

学生可能应该等到这个过程。如果对神经网络不了解,Lenet 推荐先百度看看他的原理。

下面是完整的代码。

# -*- coding: utf-8 -*-
"""
Created on XU JING HUI  4-26-2018
@author: root
"""
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf 
#导入数据,创建一个session对象 ,之后的运算都会跑在这个session里
mnist = input_data.read_data_sets("MNIST/",one_hot=True)
sess = tf.InteractiveSession()
#定义一个函数,用于初始化所有的权值 W,这里我们给权重添加了一个截断的正态分布噪声 标准差为0.1
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)
#定义一个函数,用于初始化所有的偏置项 b,这里给偏置加了一个正值0.1来避免死亡节点
def bias_variable(shape):
    inital = tf.constant(0.1,shape=shape)
    return tf.Variable(inital)
#定义一个函数,用于构建卷积层,这里strides都是1 代表不遗漏的划过图像的每一个点
def conv2d(x,w):
    return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
#定义一个函数,用于构建池化层
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#placceholder 基本都是用于占位符 后面用到先定义
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])
x_image = tf.reshape(x,[-1,28,28,1])                                #将数据reshape成适合的维度来进行后续的计算
#第一个卷积层的定义
W_conv1 = weight_variable([5,5,1,32])                                
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)                #激活函数为relu
h_pool1 = max_pool_2x2(h_conv1)                                        #2x2 的max pooling 
#第二个卷积层的定义
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)
#第一个全连接层的定义
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)
#将第一个全连接层 进行dropout 随机丢掉一些神经元不参与运算
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
#第二个全连接层 分为十类数据 softmax后输出概率最大的数字
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)
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv),reduction_indices=[1]))        #交叉熵
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)                                #这里用Adam优化器 优化 也可以使用随机梯度下降

correct_predition = tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_predition,tf.float32))                                #准确率

tf.initialize_all_variables().run()                                                                #使用全局参数初始化器 并调用run方法 来进行参数初始化
for i in range(20000):
    batch = mnist.train.next_batch(50)
    if i0 == 0:
        train_accuracy = accuracy.eval(feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})        #每一百次验证一下准确率
        print "step %d,training accuracy %g"%(i,train_accuracy)
    train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})                            #batch[0]   [1] 分别指数据维度 和标记维度 将数据传入定义好的优化器进行训练
print "test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})    #开始测试数据 

有兴趣交流和分享技术的可以关注我的公众号,偶尔会分享各种编程教程,分享源码,比如关于c/c++、前端、后端的研究和分享,,, 、机器学习和深度学习。课程有关于基本编程、图像处理和机器视觉开发的知识

© 版权声明
THE END
喜欢就支持一下吧
点赞7赞赏 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容