python tensorflow基于cnn实现手写数字识别
一份基于cnn的手写数字自识别的代码,供大家参考,具体内容如下
#-*-coding:utf-8-*- importtensorflowastf fromtensorflow.examples.tutorials.mnistimportinput_data #加载数据集 mnist=input_data.read_data_sets('MNIST_data',one_hot=True) #以交互式方式启动session #如果不使用交互式session,则在启动session前必须 #构建整个计算图,才能启动该计算图 sess=tf.InteractiveSession() """构建计算图""" #通过占位符来为输入图像和目标输出类别创建节点 #shape参数是可选的,有了它tensorflow可以自动捕获维度不一致导致的错误 x=tf.placeholder("float",shape=[None,784])#原始输入 y_=tf.placeholder("float",shape=[None,10])#目标值 #为了不在建立模型的时候反复做初始化操作, #我们定义两个函数用于初始化 defweight_variable(shape): #截尾正态分布,stddev是正态分布的标准偏差 initial=tf.truncated_normal(shape=shape,stddev=0.1) returntf.Variable(initial) defbias_variable(shape): initial=tf.constant(0.1,shape=shape) returntf.Variable(initial) #卷积核池化,步长为1,0边距 defconv2d(x,W): returntf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') defmax_pool_2x2(x): returntf.nn.max_pool(x,ksize=[1,2,2,1], strides=[1,2,2,1],padding='SAME') """第一层卷积""" #由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征,是因为使用32个滤波器进行卷积 #卷积的权重张量形状是[5,5,1,32],1是输入通道的个数,32是输出通道个数 W_conv1=weight_variable([5,5,1,32]) #每一个输出通道都有一个偏置量 b_conv1=bias_variable([32]) #位了使用卷积,必须将输入转换成4维向量,2、3维表示图片的宽、高 #最后一维表示图片的颜色通道(因为是灰度图像所以通道数维1,RGB图像通道数为3) x_image=tf.reshape(x,[-1,28,28,1]) #第一层的卷积结果,使用Relu作为激活函数 h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)) #第一层卷积后的池化结果 h_pool1=max_pool_2x2(h_conv1) """第二层卷积""" 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) """全连接层""" #图片尺寸减小到7*7,加入一个有1024个神经元的全连接层 W_fc1=weight_variable([7*7*64,1024]) b_fc1=bias_variable([1024]) #将最后的池化层输出张量reshape成一维向量 h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64]) #全连接层的输出 h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1) """使用Dropout减少过拟合""" #使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率 #在训练的过程中启用dropout,在测试过程中关闭dropout keep_prob=tf.placeholder("float") h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob) """输出层""" W_fc2=weight_variable([1024,10]) b_fc2=bias_variable([10]) #模型预测输出 y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2) #交叉熵损失 cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv)) #模型训练,使用AdamOptimizer来做梯度最速下降 train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) #正确预测,得到True或False的List correct_prediction=tf.equal(tf.argmax(y_,1),tf.argmax(y_conv,1)) #将布尔值转化成浮点数,取平均值作为精确度 accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float")) #在session中先初始化变量才能在session中调用 sess.run(tf.global_variables_initializer()) #迭代优化模型 foriinrange(2000): #每次取50个样本进行训练 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})#模型中间不使用dropout print("step%d,trainingaccuracy%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}))
做了2000次迭代,在测试集上的识别精度能够到0.9772……
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。