tensorflow使用CNN分析mnist手写体数字数据集
本文实例为大家分享了tensorflow使用CNN分析mnist手写体数字数据集，供大家参考，具体内容如下
importtensorflowastf
importnumpyasnp
importos
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
fromtensorflow.examples.tutorials.mnistimportinput_data
mnist=input_data.read_data_sets("MNIST_data/",one_hot=True)
trX,trY,teX,teY=mnist.train.images,mnist.train.labels,mnist.test.images,mnist.test.labels
#把上述trX和teX的形状变为[-1,28,28,1]，-1表示不考虑输入图片的数量，28×28是图片的长和宽的像素数，
#1是通道（channel）数量，因为MNIST的图片是黑白的，所以通道是1，如果是RGB彩色图像，通道是3。
trX=trX.reshape(-1,28,28,1)#28x28x1inputimg
teX=teX.reshape(-1,28,28,1)#28x28x1inputimg
X=tf.placeholder("float",[None,28,28,1])
Y=tf.placeholder("float",[None,10])
#初始化权重与定义网络结构。
#这里，我们将要构建一个拥有3个卷积层和3个池化层，随后接1个全连接层和1个输出层的卷积神经网络
definit_weights(shape):
returntf.Variable(tf.random_normal(shape,stddev=0.01))
w=init_weights([3,3,1,32])#patch大小为3×3，输入维度为1，输出维度为32
w2=init_weights([3,3,32,64])#patch大小为3×3，输入维度为32，输出维度为64
w3=init_weights([3,3,64,128])#patch大小为3×3，输入维度为64，输出维度为128
w4=init_weights([128*4*4,625])#全连接层，输入维度为128×4×4,是上一层的输出数据又三维的转变成一维，输出维度为625
w_o=init_weights([625,10])#输出层，输入维度为625,输出维度为10，代表10类(labels)
#神经网络模型的构建函数，传入以下参数
#X：输入数据
#w：每一层的权重
#p_keep_conv，p_keep_hidden：dropout要保留的神经元比例
defmodel(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden):
#第一组卷积层及池化层，最后dropout一些神经元
l1a=tf.nn.relu(tf.nn.conv2d(X,w,strides=[1,1,1,1],padding='SAME'))
#l1ashape=(?,28,28,32)
l1=tf.nn.max_pool(l1a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#l1shape=(?,14,14,32)
l1=tf.nn.dropout(l1,p_keep_conv)
#第二组卷积层及池化层，最后dropout一些神经元
l2a=tf.nn.relu(tf.nn.conv2d(l1,w2,strides=[1,1,1,1],padding='SAME'))
#l2ashape=(?,14,14,64)
l2=tf.nn.max_pool(l2a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#l2shape=(?,7,7,64)
l2=tf.nn.dropout(l2,p_keep_conv)
#第三组卷积层及池化层，最后dropout一些神经元
l3a=tf.nn.relu(tf.nn.conv2d(l2,w3,strides=[1,1,1,1],padding='SAME'))
#l3ashape=(?,7,7,128)
l3=tf.nn.max_pool(l3a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#l3shape=(?,4,4,128)
l3=tf.reshape(l3,[-1,w4.get_shape().as_list()[0]])#reshapeto(?,2048)
l3=tf.nn.dropout(l3,p_keep_conv)
#全连接层，最后dropout一些神经元
l4=tf.nn.relu(tf.matmul(l3,w4))
l4=tf.nn.dropout(l4,p_keep_hidden)
#输出层
pyx=tf.matmul(l4,w_o)
returnpyx#返回预测值
#我们定义dropout的占位符——keep_conv，它表示在一层中有多少比例的神经元被保留下来。生成网络模型，得到预测值
p_keep_conv=tf.placeholder("float")
p_keep_hidden=tf.placeholder("float")
py_x=model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden)#得到预测值
#定义损失函数，这里我们仍然采用tf.nn.softmax_cross_entropy_with_logits来比较预测值和真实值的差异，并做均值处理；
#定义训练的操作（train_op），采用实现RMSProp算法的优化器tf.train.RMSPropOptimizer，学习率为0.001，衰减值为0.9，使损失最小；
#定义预测的操作（predict_op）
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x,labels=Y))
train_op=tf.train.RMSPropOptimizer(0.001,0.9).minimize(cost)
predict_op=tf.argmax(py_x,1)
#定义训练时的批次大小和评估时的批次大小
batch_size=128
test_size=256
#在一个会话中启动图，开始训练和评估
#Launchthegraphinasession
withtf.Session()assess:
#youneedtoinitializeallvariables
tf.global_variables_initializer().run()
foriinrange(100):
training_batch=zip(range(0,len(trX),batch_size),
range(batch_size,len(trX)+1,batch_size))
forstart,endintraining_batch:
sess.run(train_op,feed_dict={X:trX[start:end],Y:trY[start:end],
p_keep_conv:0.8,p_keep_hidden:0.5})
test_indices=np.arange(len(teX))#GetATestBatch
np.random.shuffle(test_indices)
test_indices=test_indices[0:test_size]
print(i,np.mean(np.argmax(teY[test_indices],axis=1)==
sess.run(predict_op,feed_dict={X:teX[test_indices],
p_keep_conv:1.0,
p_keep_hidden:1.0})))
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。