tensorflow实现简单的卷积网络
使用tensorflow实现一个简单的卷积神经，使用的数据集是MNIST，本节将使用两个卷积层加一个全连接层，构建一个简单有代表性的卷积网络。
代码是按照书上的敲的，第一步就是导入数据库，设置节点的初始值，Tf.nn.conv2d是tensorflow中的2维卷积，参数x是输入，W是卷积的参数，比如【5,5,1,32】，前面两个数字代表卷积核的尺寸，第三个数字代表有几个通道，比如灰度图是1，彩色图是3.最后一个代表卷积的数量，总的实现代码如下：
fromtensorflow.examples.tutorials.mnistimportinput_data
importtensorflowastf
mnist=input_data.read_data_sets("MNSIT_data/",one_hot=True)
sess=tf.InteractiveSession()
#In[2]:
#由于W和b在各层中均要用到，先定义乘函数。
#tf.truncated_normal：截断正态分布，即限制范围的正态分布
defweight_variable(shape):
initial=tf.truncated_normal(shape,stddev=0.1)
returntf.Variable(initial)
#In[7]:
#bias初始化值0.1.
defbias_variable(shape):
initial=tf.constant(0.1,shape=shape)
returntf.Variable(initial)
#In[12]:
#tf.nn.conv2d:二维的卷积
#conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)
#filter:A4-Dtensorofshape
#`[filter_height,filter_width,in_channels,out_channels]`
#strides:步长，都是1表示所有点都不会被遗漏。1-D4值，表示每歌dim的移动步长。
#padding:边界的处理方式，“SAME"、"VALID”可选
defconv2d(x,W):
returntf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#tf.nn.max_pool:最大值池化函数，即求2*2区域的最大值，保留最显著的特征。
#max_pool(value,ksize,strides,padding,data_format="NHWC",name=None)
#ksize:池化窗口的尺寸
#strides:[1,2,2,1]表示横竖方向步长为2
defmax_pool_2x2(x):
returntf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
x=tf.placeholder(tf.float32,[None,784])
y_=tf.placeholder(tf.float32,[None,10])
#tf.reshape:tensor的变形函数。
#-1：样本数量不固定
#28,28：新形状的shape
#1:颜色通道数
x_image=tf.reshape(x,[-1,28,28,1])
#卷积层包含三部分：卷积计算、激活、池化
#[5,5,1,32]表示卷积核的尺寸为5×5,颜色通道为1,有32个卷积核
W_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)
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)
#经过2次2×2的池化后，图像的尺寸变为7×7,第二个卷积层有64个卷积核，生成64类特征，因此，卷积最后输出为7×7×64.
#tensor进入全连接层之前，先将64张二维图像变形为1维图像，便于计算。
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)
#对全连接层做dropot
keep_prob=tf.placeholder(tf.float32)
h_fc1_dropout=tf.nn.dropout(h_fc1,keep_prob)
#又一个全连接后foftmax分类
W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_dropout,W_fc2)+b_fc2)
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))
#AdamOptimizer：Adam优化函数
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction=tf.equal(tf.argmax(y_,1),tf.argmax(y_conv,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
#训练，并且每100个batch计算一次精度
tf.global_variables_initializer().run()
foriinrange(20000):
batch=mnist.train.next_batch(50)
ifi%100==0:
train_accuracy=accuracy.eval(feed_dict={x:batch[0],y_:batch[1],keep_prob:1.0})
print("step%d,trainingaccuracy%g"%(i,train_accuracy))
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
#在测试集上测试
print("testaccuracy%g"%accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0}))
注意的是书上开始运行的代码是tf.global_variables_initializer().run()，但是在敲到代码中就会报错，也不知道为什么，可能是因为版本的问题吧，上网搜了一下，改为sess.run(tf.initialiaze_all_variables)即可。
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。