CNN_model.rar_CNN 拟合_CNN 行为预测_cnn model_cnn多位数预测_cnn拟合

import tensorflow as tf import numpy as np from Data import train_out_x, data_y_train, test_out_x, data_y_test, location_DG train_out_x = np.concatenate((train_out_x, location_DG[:, :8000]), axis=0) test_out_x = np.concatenate((test_out_x, location_DG[:, 8000:]), axis=0) # 一，函数声明部分 def weight_variable(shape): # 正态分布，标准差为0.1，默认最大为1，最小为-1，均值为0 initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): # 创建一个结构为shape矩阵也可以说是数组shape声明其行列，初始化所有值为0.1 initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) def conv2d(x, W): # 卷积遍历各方向步数为1，SAME：边缘外自动补0，遍历相乘 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): # 池化卷积结果（conv2d）池化层采用kernel大小为2*2，步数也为2，周围补0，取最大值。数据量缩小了4倍 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 二，定义输入输出结构 # 声明一个占位符，None表示输入的数量不定，68个输入量 xs = tf.placeholder(tf.float32, [68, None]) # 输出为一个可靠性的值 ys = tf.placeholder(tf.float32, [1, None]) # 喂学习率的 keep_prob = tf.placeholder(tf.float32) # x_image又把xs reshape成了8*8*1的形状，所以通道是1.作为训练时的input，-1代表数量不定 x_image = tf.reshape(xs, [-1, 8, 8, 1]) # 三，搭建网络,定义算法公式，也就是forward时的计算 ## 第一层卷积操作 ## # 第一二参数值得卷积核尺寸大小，即patch，第三个参数是图像通道数，第四个参数是卷积核的数目，代表会出现多少个卷积特征图像; W_conv1 = weight_variable([2, 2, 1, 10]) # 对于每一个卷积核都有一个对应的偏置量。 b_conv1 = bias_variable([10]) # 图片乘以卷积核，并加上偏执量，卷积结果8X8X10 h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # 池化结果14x14x32 卷积结果乘以池化卷积核 h_pool1 = max_pool_2x2(h_conv1) ## 第二层卷积操作 ## # 32通道卷积，卷积出64个特征 w_conv2 = weight_variable([2, 2, 10, 20]) # 64个偏执数据 b_conv2 = bias_variable([20]) # 注意h_pool1是上一层的池化结果，#卷积结果14x14x64 h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) # 池化结果7x7x64 h_pool2 = max_pool_2x2(h_conv2) # 原图像尺寸28*28，第一轮图像缩小为14*14，共有32张，第二轮后图像缩小为7*7，共有64张 ## 第三层全连接操作 ## # 二维张量，第一个参数7*7*64的patch，也可以认为是只有一行7*7*64个数据的卷积，第二个参数代表卷积个数共1024个 W_fc1 = weight_variable([7 * 7 * 64, 1024]) # 1024个偏执数据 b_fc1 = bias_variable([1024]) # 将第二层卷积池化结果reshape成只有一行7*7*64个数据# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64] h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64]) # 卷积操作，结果是1*1*1024，单行乘以单列等于1*1矩阵，matmul实现最基本的矩阵相乘，不同于tf.nn.conv2d的遍历相乘，自动认为是前行向量后列向量 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) # dropout操作，减少过拟合，其实就是降低上一层某些输入的权重scale，甚至置为0，升高某些输入的权值，甚至置为2，防止评测曲线出现震荡，个人觉得样本较少时很必要 # 使用占位符，由dropout自动确定scale，也可以自定义，比如0.5，根据tensorflow文档可知，程序中真实使用的值为1/0.5=2，也就是某些输入乘以2，同时某些输入乘以0 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(f_fc1, keep_prob) # 对卷积结果执行dropout操作 ## 第四层输出操作 ## # 二维张量，1*1024矩阵卷积，共10个卷积，对应我们开始的ys长度为10 W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) # 最后的分类，结果为1*1*10 softmax和sigmoid都是基于logistic分类算法，一个是多分类一个是二分类 y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) # 四，定义loss(最小误差概率)，选定优化优化loss， cross_entropy = -tf.reduce_sum(ys * tf.log(y_conv)) # 定义交叉熵为loss函数 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 调用优化器优化，其实就是通过喂数据争取cross_entropy最小化 # 五，开始数据训练以及评测 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(ys, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 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], ys: batch[1], keep_prob: 1.0}) print("step %d, training accuracy %g" % (i, train_accuracy)) train_step.run(feed_dict={x: batch[0], ys: batch[1], keep_prob: 0.5}) print("test accuracy %g" % accuracy.eval(feed_dict={x: mnist.test.images, ys: mnist.test.labels, keep_prob: 1.0}))