LeNet-5 手写数字图片识别-深度学习卷积神经网络

from tensorflow.keras import Sequential network = Sequential([ # 网络容器 layers.Conv2D(6,kernel_size=3,strides=1), # 第一个卷积层, 6 个 3x3 卷积核 layers.MaxPooling2D(pool_size=2,strides=2), # 高宽各减半的池化层 layers.ReLU(), # 激活函数 layers.Conv2D(16,kernel_size=3,strides=1), # 第二个卷积层, 16 个 3x3 卷积核 layers.MaxPooling2D(pool_size=2,strides=2), # 高宽各减半的池化层 layers.ReLU(), # 激活函数 layers.Flatten(), # 打平层，方便全连接层处理 layers.Dense(120, activation='relu'), # 全连接层， 120 个节点 layers.Dense(84, activation='relu'), # 全连接层， 84 节点 layers.Dense(10) # 全连接层， 10 个节点 ]) # build 一次网络模型，给输入 X 的形状，其中 4 为随意给的 batchsz network.build(input_shape=(4, 28, 28, 1)) # 统计网络信息 network.summary() # 导入误差计算，优化器模块 from tensorflow.keras import losses, optimizers # 创建损失函数的类，在实际计算时直接调用类实例即可 criteon = losses.CategoricalCrossentropy(from_logits=True) # 构建梯度记录环境 with tf.GradientTape() as tape: # 插入通道维度， =>[b,28,28,1] x = tf.expand_dims(x,axis=3) # 前向计算，获得 10 类别的概率分布， [b, 784] => [b, 10] out = network(x) # 真实标签 one-hot 编码， [b] => [b, 10] y_onehot = tf.one_hot(y, depth=10) # 计算交叉熵损失函数，标量 loss = criteon(y_onehot, out) # 自动计算梯度 grads = tape.gradient(loss, network.trainable_variables) # 自动更新参数 optimizer.apply_gradients(zip(grads, network.trainable_variables)) # 记录预测正确的数量，总样本数量 correct, total = 0,0 for x,y in db_test: # 遍历所有训练集样本 # 插入通道维度， =>[b,28,28,1] x = tf.expand_dims(x,axis=3) # 前向计算，获得 10 类别的预测分布， [b, 784] => [b, 10] out = network(x) # 真实的流程时先经过 softmax，再 argmax # 但是由于 softmax 不改变元素的大小相对关系，故省去 pred = tf.argmax(out, axis=-1) y = tf.cast(y, tf.int64) # 统计预测正确数量 correct += float(tf.reduce_sum(tf.cast(tf.equal(pred, y),tf.floa t32))) # 统计预测样本总数 total += x.shape[0] # 计算准确率 print('test acc:', correct/total)