這篇文章給大家介紹使用TensorFlow怎么實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。
先載入MNIST數(shù)據(jù)集（手寫數(shù)字識別集），并創(chuàng)建默認的Interactive Session（在沒有指定回話對象的情況下運行變量）
重慶分公司
重慶分公司
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession(）在定義一個初始化函數(shù)，因為卷積神經(jīng)網(wǎng)絡(luò)有很多權(quán)重和偏置需要創(chuàng)建。
def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) #給權(quán)重制造一些隨機的噪聲來打破完全對稱， return tf.Variable(initial) #使用relu，給偏置增加一些小正值0.1，用來避免死亡節(jié)點 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)
卷積移動步長都是1代表會不遺漏的劃過圖片的每一個點，padding代表邊界處理方式，same表示給邊界加上padding讓卷積的輸出和輸入保持同樣的尺寸。
def conv2d(x,W):#2維卷積函數(shù)，x輸入，w是卷積的參數(shù)，strides代表卷積模板移動步長 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
在正式設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)前，先定義輸入的placeholder(類似于c++的cin，要求用戶運行時輸入)。因為卷積神經(jīng)網(wǎng)絡(luò)會利用到空間結(jié)構(gòu)信息，因此需要將一維的輸入向量轉(zhuǎn)換為二維的圖片結(jié)構(gòu)。同時因為只有一個顏色通道，所以最后尺寸為【-1, 28，28， 1]，-1代表樣本數(shù)量不固定，1代表顏色通道的數(shù)量。
這里的tf.reshape是tensor變形函數(shù)。
x = tf.placeholder(tf.float32, [None, 784])# x 時特征 y_ = tf.placeholder(tf.float32, [None, 10])# y_時真實的label x_image = tf.reshape(x, [-1, 28, 28,1])
接下來定義第一個卷積層。
w_conv1 = weight_variable([5, 5, 1, 32]) #代表卷積核尺寸為5X5，1個顏色通道，32個不同的卷積核，使用conv2d函數(shù)進行卷積操作， b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1)
定義第二個卷積層，與第一個卷積層一樣，只不過卷積核的數(shù)量變成了64，即這層卷積會提取64種特征
w_conv2 = weight_variable([5, 5, 32, 64])#這層提取64種特征 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2)
經(jīng)過兩次步長為2x2的大池化，此時圖片尺寸變成了7x7，在使用tf.reshape函數(shù)，對第二個卷積層的輸出tensor進行變形，將其從二維轉(zhuǎn)為一維向量，在連接一個全連接層（隱含節(jié)點為1024），使用relu激活函數(shù)。
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層：隨機丟棄一部分節(jié)點的數(shù)據(jù)來減輕過擬合。這里是通過一個placeholder傳入keep_prob比率來控制的。
#為了減輕過擬合，使用一個Dropout層 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout層的輸出連接一個softmax層，得到最后的概率輸出 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)
定義損失函數(shù)即評測準確率操作
#損失函數(shù)，并且定義優(yōu)化器為Adam cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1])) train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
開始訓(xùn)練
#初始化所有參數(shù)
tf.global_variables_initializer().run()
for i in range (20000):
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})全部訓(xùn)練完成后，我們在最終的測試集上進行全面的測試，得到整體的分類準確率。
print("test accuracy %g" %accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))這個網(wǎng)絡(luò)，參與訓(xùn)練的樣本數(shù)量總共為100萬，共進行20000次訓(xùn)練迭代，使用大小為50的mini_batch。
關(guān)于使用TensorFlow怎么實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
