Tensorflow实现卷积神经网络的详细代码
本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下
1.概述
定义：
卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternatingconvolutionallayer)和池层(poolinglayer)。
卷积层（convolutionallayer）：
对输入数据应用若干过滤器，一个输入参数被用来做很多类型的提取。
池化层（PoolingLayer）：
也叫子采样层，缩减数据的规模
2.代码实现
首先要导入mnist数据，下载地址
训练数据：60000*784，训练标签：60000*10
测试数据：10000*784，测试标签：10000*10
#导入mnist数据
importinput_data
mnist=input_data.read_data_sets("/tmp/data/",one_hot=True)
#starttensorflowinteractiveSession
importtensorflowastf
sess=tf.InteractiveSession()
#weightinitialization
#初始化时加入轻微噪声，来打破对称性，防止零梯度问题
#权重初始化
defweight_variable(shape):
#截断正态分布
initial=tf.truncated_normal(shape,stddev=0.1)
returntf.Variable(initial)
#偏置初始化
defbias_variable(shape):
initial=tf.constant(0.1,shape=shape)
returntf.Variable(initial)
#convolution卷积
#卷积使用1步长(stridesize)，0边距(paddingsize)的模板，
#padding='SAME'说明在
#保证输出和输入是同一个大小
defconv2d(x,W):
returntf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#pooling池化
#把特征图像区域的一部分求个均值或者最大值，用来代表这部分区域。
#如果是求均值就是meanpooling，求最大值就是maxpooling。
#池化用简单传统的2x2大小的模板做maxpooling
defmax_pool_2x2(x):
returntf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#输入任意数量的图像，每一张图平铺成784维向量
x=tf.placeholder("float",[None,784])
#target为10维标签向量
y_=tf.placeholder("float",[None,10])
#权重是784*10，偏置值是[10]
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
#y=x*W+b
y=tf.nn.softmax(tf.matmul(x,W)+b)
#第一个卷积层
#权重是一个[5,5,1,32]的张量，前两个维度是patch的大小，
#接着是输入的通道数目，最后是输出的通道数目。
#输出对应一个同样大小的偏置向量。
w_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
#为了用这一层，我们把x变成一个4d向量，
#第2、3维对应图片的宽高，最后一维代表颜色通道。
x_image=tf.reshape(x,[-1,28,28,1])
'''
x_image和权值向量进行卷积相乘，加上偏置，
使用ReLU激活函数，最后maxpooling
'''
#h_conv1由于步长是1，输出单张图片大小不变是[28,28]
h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1)
#h_pool1由于步长是2，输出单张图片大小减半[14,14]
h_pool1=max_pool_2x2(h_conv1)
#第二个卷积层
'''
为了构建一个更深的网络，我们会把几个类似的层堆叠起来。
第二层中，每个5x5的patch会得到64个特征。
'''
w_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])
#h_conv2由于步长是1，输出单张图片大小不变是[14,14]
h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
#h_pool2由于步长是2，输出单张图片大小减半[7,7]
h_pool2=max_pool_2x2(h_conv2)
#denselyconnectedlayer密集连接层
'''
现在，图片降维到7x7，我们加入一个有1024个神经元的全连接层，
用于处理整个图片。我们把池化层输出的张量reshape成一些向量，
乘上权重矩阵，加上偏置，使用ReLU激活。
'''
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
'''
为了减少过拟合，我们在输出层之前加入dropout。我们用一个placeholder来代表一个神经元在dropout中被保留的概率。
这样我们可以在训练过程中启用dropout，在测试过程中关闭dropout。
TensorFlow的操作会自动处理神经元输出值的scale。
所以用dropout的时候可以不用考虑scale。
'''
keep_prob=tf.placeholder("float")
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
#readoutlayer
#添加一个softmax层，就像前面的单层softmaxregression一样
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)
'''
我们会用更加复杂的ADAM优化器来做梯度最速下降，
在feed_dict中加入额外的参数keep_prob来控制dropout比例。
然后每100次迭代输出一次日志。
'''
#trainandevaluatethemodel训练和评价模型
#计算交叉熵
cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))
#梯度下降求最小交叉熵
train_step=tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
#train_step=tf.train.AdagradOptimizer(1e-5).minimize(cross_entropy)
#检测我们的预测是否真实标签匹配
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
#把布尔值转换成浮点数，然后取平均值
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
#初始化变量
sess.run(tf.initialize_all_variables())
foriinrange(20000):
#随机抓取训练数据中的50个批处理数据点，然后我们用这些数据点作为参数替换之前的占位符来运行train_step
batch=mnist.train.next_batch(50)
#每100次打印下
ifi%100==0:
train_accuracy=accuracy.eval(feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})
print"step%d,trainaccuracy%g"%(i,train_accuracy)
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
print"testaccuracy%g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob: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。