TensorFlow系列(4)——基于MNIST数据集的CNN实现

时间:2022-10-27 13:53:51

本文主要是尝试搭建一个简单的卷积神经网络(CNN)模型,并用它来训练MNIST数据集

1. CNN简介

卷积神经网络(Convolutional neural network)属于人工神经网络的一种,它的权值共享的网络结构显著降低了模型的复杂度减少了权值的数量,是目前语音分析图像识别领域研究的热点。

和传统神经网络相比,卷积神经网络的特点在于隐藏层分为卷积层池化层(pooling layer,又叫下采样层)。
(1)卷积层通过一块块卷积核在原始图像上平移来提取特征,每一个特征就是一个特征映射。
(2)池化层通过汇聚特征后稀疏参数来减少学习的参数,降低网络的复杂度,池化层最常见的包括最大值池化(max pooling)和平均值池化(average pooling)。

2. 基于MNIST数据集的CNN实现

实现代码如下所示:

# -*- coding: utf-8 -*-
"""
Created on Mon Jul 24 21:48:37 2017

@author: Administrator
"""


import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data


'''
1.构建模型
'''


#定义输入数据并预处理数据
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
trX,trY,teX,teY = mnist.train.images,mnist.train.labels,mnist.test.images,mnist.test.labels

trX = trX.reshape(-1,28,28,1)
teX = teX.reshape(-1,28,28,1)

X = tf.placeholder("float",[None,28,28,1])
Y = tf.placeholder("float",[None,10])

#初始化权重与定义网络结构
def init_weights(shape):
return tf.Variable(tf.random_normal(shape,stddev=0.01))

w = init_weights([3,3,1,32])
w2 = init_weights([3,3,32,64])
w3 = init_weights([3,3,64,128])
w4 = init_weights([128*4*4,625])

w_o = init_weights([625,10])

'''
神经网络模型的构造函数,传入以下参数:
X:输入数据
Y:每一层的权重
p_keep_conv,p_keep_hidden:dropout 要保留的神经元比例
'''


def model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden):
#第一层卷积层及池化层,
l1a = tf.nn.relu(tf.nn.conv2d(X,w,strides=[1,1,1,1],padding='SAME'))

l1 = tf.nn.max_pool(l1a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

l1 = tf.nn.dropout(l1,p_keep_conv)

#第二组卷积层及池化层,最后dropput一些神经元
l2a = tf.nn.relu(tf.nn.conv2d(l1,w2,strides=[1,1,1,1],padding='SAME'))

l2 = tf.nn.max_pool(l2a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

l2 = tf.nn.dropout(l2,p_keep_conv)

#第三组卷积层及池化层,最后dropput一些神经元
l3a = tf.nn.relu(tf.nn.conv2d(l2,w3,strides=[1,1,1,1],padding='SAME'))

l3 = tf.nn.max_pool(l3a,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

l3 = tf.reshape(l3,[-1,w4.get_shape().as_list()[0]])

l3 = tf.nn.dropout(l3,p_keep_conv)

#全连接层,最后dropout一些神经元
l4 = tf.nn.relu(tf.matmul(l3,w4))
l4 = tf.nn.dropout(l4,p_keep_hidden)

#输出层
pyx = tf.matmul(l4,w_o)
return pyx

p_keep_conv = tf.placeholder("float")
p_keep_hidden = tf.placeholder("float")
#得到预测值
py_x = model(X,w,w2,w3,w4,w_o,p_keep_conv,p_keep_hidden)

#定义损失函数
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x,labels=Y))
train_op = tf.train.RMSPropOptimizer(0.001,0.9).minimize(cost)
predict_op = tf.argmax(py_x,1)

'''
2.训练模型和评估模型
'''


#定义训练和评估批次大小
batch_size = 128
test_size = 256

#在会话中启动图
with tf.Session() as sess:
tf.global_variables_initializer().run()

for i in range(100):
training_batch = zip(range(0,len(trX),batch_size),range(batch_size,len(trX)+1,batch_size))
for start,end in training_batch:
sess.run(train_op,feed_dict={X:trX[start:end],Y:trY[start:end],
p_keep_conv:0.8,p_keep_hidden:0.5})

test_indices = np.arange(len(teX))
np.random.shuffle(test_indices)

test_indices = test_indices[0:test_size]

print(i,np.mean(np.argmax(teY[test_indices],axis=1) ==
sess.run(predict_op,feed_dict={X:teX[test_indices],
p_keep_conv:1.0,
p_keep_hidden:1.0})))

运行部分结果如下图所示:

TensorFlow系列(4)——基于MNIST数据集的CNN实现