cnn图像识别python代码_pythontensorflow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&＃xff0c;供大家参考&＃xff0c;具体内容如下

# -*- coding: utf-8 -*-

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 加载数据集

mnist &＃61; input_data.read_data_sets(&＃39;MNIST_data&＃39;, one_hot&＃61;True)

# 以交互式方式启动session

# 如果不使用交互式session&＃xff0c;则在启动session前必须

# 构建整个计算图&＃xff0c;才能启动该计算图

sess &＃61; 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&＃xff0c;有了它tensorflow可以自动捕获维度不一致导致的错误

x &＃61; tf.placeholder("float", shape&＃61;[None, 784]) # 原始输入

y_ &＃61; tf.placeholder("float", shape&＃61;[None, 10]) # 目标值

# 为了不在建立模型的时候反复做初始化操作&＃xff0c;

# 我们定义两个函数用于初始化

def weight_variable(shape):

# 截尾正态分布,stddev是正态分布的标准偏差

initial &＃61; tf.truncated_normal(shape&＃61;shape, stddev&＃61;0.1)

return tf.Variable(initial)

def bias_variable(shape):

initial &＃61; tf.constant(0.1, shape&＃61;shape)

return tf.Variable(initial)

# 卷积核池化,步长为1,0边距

def conv2d(x, W):

return tf.nn.conv2d(x, W, strides&＃61;[1, 1, 1, 1], padding&＃61;&＃39;SAME&＃39;)

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;)

"""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&＃xff0c;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&＃xff0c;32是输出通道个数

W_conv1 &＃61; weight_variable([5, 5, 1, 32])

# 每一个输出通道都有一个偏置量

b_conv1 &＃61; bias_variable([32])

# 位了使用卷积&＃xff0c;必须将输入转换成4维向量&＃xff0c;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&＃xff0c;RGB图像通道数为3)

x_image &＃61; 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 &＃61; tf.nn.relu(conv2d(x_image, W_conv1))

# 第一层卷积后的池化结果

h_pool1 &＃61; max_pool_2x2(h_conv1)

"""第二层卷积"""

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)

"""全连接层"""

# 图片尺寸减小到7*7&＃xff0c;加入一个有1024个神经元的全连接层

W_fc1 &＃61; weight_variable([7*7*64, 1024])

b_fc1 &＃61; bias_variable([1024])

# 将最后的池化层输出张量reshape成一维向量

h_pool2_flat &＃61; tf.reshape(h_pool2, [-1, 7*7*64])

# 全连接层的输出

h_fc1 &＃61; tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) &＃43; 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&＃xff0c;在测试过程中关闭dropout

keep_prob &＃61; tf.placeholder("float")

h_fc1_drop &＃61; tf.nn.dropout(h_fc1, keep_prob)

"""输出层"""

W_fc2 &＃61; weight_variable([1024, 10])

b_fc2 &＃61; bias_variable([10])

# 模型预测输出

y_conv &＃61; tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) &＃43; b_fc2)

# 交叉熵损失

cross_entropy &＃61; -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 &＃61; tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 正确预测,得到True或False的List

correct_prediction &＃61; tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))

# 将布尔值转化成浮点数&＃xff0c;取平均值作为精确度

accuracy &＃61; 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

for i in range(2000):

# 每次取50个样本进行训练

batch &＃61; mnist.train.next_batch(50)

if i%100 &＃61;&＃61; 0:

train_accuracy &＃61; accuracy.eval(feed_dict&＃61;{

x: batch[0], y_: batch[1], keep_prob: 1.0}) # 模型中间不使用dropout

print("step %d, training accuracy %g" % (i, train_accuracy))

train_step.run(feed_dict&＃61;{x:batch[0], y_:batch[1], keep_prob: 0.5})

print("test accuracy %g" % accuracy.eval(feed_dict&＃61;{

x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

做了2000次迭代&＃xff0c;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&＃xff0c;希望对大家的学习有所帮助&＃xff0c;也希望大家多多支持我们。

本文标题: python tensorflow基于cnn实现手写数字识别

本文地址: http://www.cppcns.com/jiaoben/python/216273.html