tensorflow学习（1.CNN简单实现MNIST）

先看代码

#tf可以认为是全局变量&＃xff0c;从该变量为类&＃xff0c;从中取input_data变量
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
#读取数据集
mnist &＃61; input_data.read_data_sets("MNIST_data/",one_hot&＃61;True)
"""
#softmax方法进行训练
#这里是变量的占位符&＃xff0c;一般是输入输出使用该部分
x&＃61;tf.placeholder(tf.float32,[None,784])
y_&＃61;tf.placeholder("float",[None,10])#定义参数变量
W&＃61;tf.Variable(tf.zeros([784,10]))
b&＃61;tf.Variable(tf.zeros([10]))
y&＃61;tf.nn.softmax(tf.matmul(x,W)&＃43;b)#评价函数
cross_entropy&＃61;-tf.reduce_sum(y_*tf.log(y))
train_step&＃61;tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)#启动模型,Session建立这样一个对象&＃xff0c;然后指定某种操作&＃xff0c;并实际进行该步
init&＃61;tf.initialize_all_variables()
sess&＃61;tf.Session()
sess.run(init)#数据读取部分
for i in range(1000):batch_xs, batch_ys &＃61; mnist.train.next_batch(50)#run第一个参数是fetch&＃xff0c;可以是tensor也可以是Operation&＃xff0c;第二个feed_dict是替换tensor的值sess.run(train_step, feed_dict&＃61;{x: batch_xs, y_: batch_ys})print(batch_xs,batch_ys,i)correct_prediction &＃61; tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy &＃61; tf.reduce_mean(tf.cast(correct_prediction, "float"))
print (sess.run(accuracy, feed_dict&＃61;{x: mnist.test.images, y_: mnist.test.labels}))"""#这里用CNN方法进行训练
#函数定义部分
def weight_variable(shape):initial&＃61;tf.truncated_normal(shape,stddev&＃61;0.1)#随机权重赋值&＃xff0c;不过truncated_normal代表如果是2倍标准差之外的结果重新选取该值return tf.Variable(initial)def bias_variable(shape):initial&＃61;tf.constant(0.1,shape&＃61;shape)#偏置项return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides&＃61;[1,1,1,1],padding&＃61;&＃39;SAME&＃39;)#SAME表示输出补边&＃xff0c;这里输出与输入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize&＃61;[1,2,2,1],strides&＃61;[1,2,2,1],padding&＃61;&＃39;SAME&＃39;)#ksize代表池化范围的大小&＃xff0c;stride为扫描步长# 这里是变量的占位符&＃xff0c;一般是输入输出使用该部分
x&＃61;tf.placeholder(tf.float32,[None,784])
y_&＃61;tf.placeholder("float",[None,10])
x_image&＃61;tf.reshape(x,[-1,28,28,1])#-1表示自动计算该维度
#建立第一层
W_conv1&＃61;weight_variable([5,5,1,32])
b_conv1&＃61;bias_variable([32])
h_conv1&＃61;tf.nn.relu(conv2d(x_image,W_conv1)&＃43;b_conv1)
h_pool1&＃61;max_pool_2x2(h_conv1)
#第二层
W_conv2&＃61;weight_variable([5,5,32,64])
b_conv2&＃61;bias_variable([64])
h_conv2&＃61;tf.nn.relu(conv2d(h_pool1,W_conv2)&＃43;b_conv2)
h_pool2&＃61;max_pool_2x2(h_conv2)#第三层&＃xff0c;而且这里是全连接层
W_fc1&＃61;weight_variable([7*7*64,1024])
b_fc1&＃61;bias_variable([1024])h_pool2_flat&＃61;tf.reshape(h_pool2,[-1,7*7*64])
h_fc1&＃61;tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)&＃43;b_fc1)
#dropout&＃xff0c;注意这里也是有一个输入参数的&＃xff0c;和x以及y一样
keep_prob&＃61;tf.placeholder(tf.float32)
h_fc1_drop&＃61;tf.nn.dropout(h_fc1,keep_prob)W_fc2&＃61;weight_variable([1024,10])
b_fc2&＃61;bias_variable([10])
y_conv&＃61;tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)&＃43;b_fc2)# 评价函数
cross_entropy&＃61;-tf.reduce_sum(y_*tf.log(y_conv))
train_step&＃61;tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction&＃61;tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy&＃61;tf.reduce_mean(tf.cast(correct_prediction,tf.float32))# 启动模型,Session建立这样一个对象&＃xff0c;然后指定某种操作&＃xff0c;并实际进行该步
init&＃61;tf.initialize_all_variables()
sess&＃61;tf.Session()
sess.run(init)#数据读取部分
for i in range(1000):batch_xs, batch_ys &＃61; mnist.train.next_batch(50)#这里貌似是代表读取50张图像数据#run第一个参数是fetch&＃xff0c;可以是tensor也可以是Operation&＃xff0c;第二个feed_dict是替换tensor的值&＃39;&＃39;&＃39;if i % 10 &＃61;&＃61; 0:train_accuracy &＃61; accuracy.eval(feed_dict&＃61;{x: batch_xs, y_: batch_ys, keep_prob: 0.5})print("step:%d,accuracy:%g" % (i, train_accuracy))&＃39;&＃39;&＃39;sess.run(train_step, feed_dict&＃61;{x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一个参数是想要运行的位置&＃xff0c;一般有train&＃xff0c;accuracy&＃xff0c;initdeng#第二个参数feed_dict&＃xff0c;一般是输入参数&＃xff0c;该代码里有x&＃xff0c;y以及drop的参数if i%20&＃61;&＃61;0 :print(i)print("train accuracy:%g"%sess.run(accuracy, feed_dict&＃61;{x: batch_xs, y_: batch_ys, keep_prob: 0.5}))
print("test accuracy:%g"%sess.run(accuracy, feed_dict&＃61;{x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1}))


运行结果&＃xff1a;

说明一下代码结构&＃xff1a;

1.数据的读取&＃xff08;读取直接用MNIST&＃xff0c;MNIST的数据结构x是一维的图像&＃xff0c;size为(1,28*28)&＃xff0c;y是一维向量&＃xff0c;size为&＃xff08;1,10&＃xff09;,只要将数据的读取部分单独取出&＃xff0c;就可以有比较清晰的代码了&＃xff09;

2.结构的建立&＃xff08;一般利用函数去定义池化等操作&＃xff0c;这样能够有比较清晰的代码结构&＃xff09;

3.结构保存及测试&＃xff08;训练完数据后需要存储网络结构&＃xff0c;该部分本文没有说明&＃xff0c;正在学习&＃xff09;

本文作者也只是刚刚接触&＃xff0c;针对实际项目会关注的一些问题&＃xff0c;进行注释说明&＃xff0c;如有错误&＃xff0c;请指出说明

http://www.jeyzhang.com/tensorflow-learning-notes-2.html本链接的教程也比较清晰