# 将卷积神经网络应用于MNIST识别,结构为两个卷积层(conv+pooling)加两个全连接层
# 注意测试准确率的时候,不能直接将1w个测试数据全部读入(2GB显存不够),分成10个批次,每个批次1000个数据
# 训练21次准确率达到99.16%(训练1次准确率95%,11次准确率就超过了99%,在GTX760上训练一次约13秒)
import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST', one_hot=True)
# 每个批次的大小
batch_size = 100
# 一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
# 初始化权值
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1) # 生成一个截断的正态分布(高斯分布)
return tf.Variable(initial)
# 初始化偏置值
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape) # 全部置为0.1
return tf.Variable(initial)
# 卷积层
def conv2d(x, W):
# x : input tensor of shape [batch, in_height, in_width, in_channels],如果是图片,shape就是 [批次大小,高,宽,通道数]
# W : filter/kernel tensor of shape [filter_height, filter_width, in_channels, out_channels]
# strides : 步长,strides[0] = strides[3] = 1,strides[1]代表x方向上的步长,strides[2]代表y方向上的步长
# padding : 'SAME'/'VALID'
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# 池化层
def max_pool_2x2(x):
# ksize : [1, x, y, 1]
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 定义两个placeholder,x和y分别用于表示输入的手写数字图像和标签,(具体数据)在执行图的时候喂进来
x = tf.placeholder(tf.float32, [None, 784], name="x_input") # placeholder(dtype, shape=None, name=None)
y = tf.placeholder(tf.float32, [None, 10])
# 改变x的格式为4D的向量[batch, in_height, in_width, in_channels],把图片恢复成原来的尺寸28*28
# -1会由实际计算出来的置代替,比如一个batch是100,实际数据量是100*784,那么-1由100*784*1/28/28/1=100代替(通道数为1)
x_image = tf.reshape(x, [-1, 28, 28, 1]) # 对应conv2d函数的参数x,输入的图片数据原来是一维的张量,而conv2d函数要将图片数据恢复成原来的形状
# 初始化第一个卷积层的权值和偏置值
W_conv1 = weight_variable([5, 5, 1, 32]) # 5*5的采样窗口,32个卷积核从1个平面抽取特征(输出32个特征平面)。对应conv2d函数的输入W,函数会将该矩阵reshape成[5*5*1, 32]
b_conv1 = bias_variable([32]) # 每一个卷积核需要一个偏置值
# 把x_image和权值进行卷积,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) # 第一个卷积层的结果
h_pool1 = max_pool_2x2(h_conv1) # 进行max-pooling,得到池化结果
# 初始化第二个卷积层的权值和偏置值
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)
# 28*28的图片经过第一次卷积之后还是28*28,第一次池化之后变成14*14(14*14*32)
# 第二次卷积之后是14*14,第二次池化之后变成7*7(14*14*64)
# 经过上面的操作之后变成64张7*7的平面
# 图片的维度变高了,第一次卷积池化后由1维变成32维(32个卷积核),第二次变成64维
# 初始化第一个全连接层的权值
W_fc1 = weight_variable([7*7*64, 1024]) # 上一层有7*7*64个神经元,全连接层有1024个神经元
b_fc1 = bias_variable([1024])
# 把池化层2的输出扁平化为1维
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
# 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)
# keep_prob用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32, name="keep_prob")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 初始化第二个全连接层的权值
W_fc2 = weight_variable([1024, 10]) # 上一层有7*7*64个神经元,全连接层有1024个神经元
b_fc2 = bias_variable([10])
# 计算输出
predection = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# predection里面存放的是每个分类的概率,这里返回最大概率所在的位置,即最后的分类结果
result = tf.argmax(predection, 1, name="result")
# 交叉熵代价函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=predection))
# 使用AdamOptimizer进行优化,学习率是1e-4
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 结果存放在一个布尔列表中
correct_predection = tf.equal(tf.argmax(predection, 1), tf.argmax(y, 1)) # argmax返回一维张量中最大值所在的位置
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_predection, tf.float32))
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for epoch in range(21):
for batch in range(n_batch):
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})
# acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels, keep_prob: 1.0})
# print("Iter " + str(epoch) + " Test Accuracy " + str(acc))
acc = list(range(10))
for i in range(10):
batch_xs_test, batch_ys_test = mnist.test.next_batch(1000)
acc[i] = sess.run(accuracy, feed_dict={x: batch_xs_test, y: batch_ys_test, keep_prob: 1.0})
print("Iter " + str(epoch) + " Test Accuracy " + str(np.mean(acc)))
saver.save(sess, 'model/cnn_mnist_model/cnn_mnist.ckpt')
没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
收起资源包目录
基于OpenCV的手写数字识别系统.zip (18个子文件)
Handwritten-Numeral-Recognition_CNN-master
cnn_mnist_train.py 6KB
cnn_ocr.py 5KB
.idea
vcs.xml 180B
workspace.xml 21KB
手写数字识别_CNN_MNIST.iml 459B
misc.xml 217B
modules.xml 308B
ocr.py 2KB
0.jpg 113KB
model
cnn_mnist_model
checkpoint 85B
cnn_mnist.ckpt.index 914B
cnn_mnist.ckpt.data-00000-of-00001 37.48MB
cnn_mnist.ckpt.meta 74KB
nn_mnist_model
my_net.ckpt.meta 15KB
checkpoint 79B
my_net.ckpt.index 159B
my_net.ckpt.data-00000-of-00001 31KB
cnn_ocr_2.py 2KB
共 18 条
- 1
资源评论
我慢慢地也过来了
- 粉丝: 6338
- 资源: 3975
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于MATLAB的图像分割源码+详细文档+全部数据(高分课程设计).zip
- 基于MATLAB的图像分割源码+详细文档+全部数据(高分课程设计).zip
- 基于MINST数据库的手写体数字识别CNN设计,MATLAB实现源码+全部资料.zip
- 基于MINST数据库的手写体数字识别CNN设计,MATLAB实现源码+全部资料(高分项目)
- stata 经纬度计算反距离矩阵的方法.docx
- ORACLE数据库面试题解答DBA数据库管理员JAVA程序员架构师必看.docx
- stata 经纬度计算反距离矩阵的方法.zip
- ORACLE数据库面试题解答DBA数据库管理员JAVA程序员架构师必看.zip
- 华为-华为od题库练习题之密码截取.zip
- 华为-华为od题库练习题之字符串加解密.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功