TensorFlow开发Demo

最新推荐文章于 2021-08-07 18:04:36 发布

原创最新推荐文章于 2021-08-07 18:04:36 发布 · 508 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow

本文详细介绍CNN卷积神经网络的构建与训练流程，包括卷积层、池化层及全连接层的定义，使用TensorFlow实现手写数字识别，并展示如何通过训练样本更新损失函数与梯度，最终评估模型准确性。

部署运行你感兴趣的模型镜像

一、模型基本知识

卷积神经网络
卷积
采样

二、模型定义

本文以CNN卷积神经网络原型为示例：

初始化输入层，转换成统一尺寸大小：对于本例子中全部resize成28*28大小

代码块

Python

  input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

定义第一层，卷积层，卷积核大小和数量：卷积核数量32个，每个卷积核大小5✖️5

代码块

Python

conv1 = tf.layers.conv2d(
inputs=input_layer,
filters=32,
kernel_size=[5, 5],
padding="same",
activation=tf.nn.relu)

定义第二层，池化层，所采用的池化方法为最大池化方法，池化的batch大小为：2✖️2，步长为2

代码块

Python

  pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

定义第三层，卷积层，卷积核大小和数量：卷积核数量64个，每个卷积核大小5✖️5

代码块

Python

conv2 = tf.layers.conv2d(
      inputs=pool1,
      filters=64,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu)

定义第四层，池化层，所采用的池化方法为最大池化方法，池化的batch大小为：2✖️2，步长为2

代码块

Python

pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)

定义第五层，全连接层，将第四层降采样之后的数据resize层7*7*64以为向量大小

代码块

Python

 # Dense Layer
  pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])
  dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)
  dropout = tf.layers.dropout(
      inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)
  # Logits Layer
  logits = tf.layers.dense(inputs=dropout, units=10)

定义第五层，利用softmax算法计算预测每个类别的概率：

---训练样本，更新损失函数，更新梯度

---测试样本，返回预测结果值

三、训练数据代码

过程：读取数据-》构建结果评估模型-》训练样本-》预测样本

# -*- coding: UTF-8 -*-
import tensorflow as tf
import numpy as np
import cnn_mnist
import input_data
# Load training and eval data
#mnist = tf.contrib.learn.datasets.load_dataset("/Users/dingjie/PycharmProjects/baby-robot/minist/MNIST-data/")
#mnist = tf.contrib.learn.datasets.load_dataset("MNIST-data")
mnist = input_data.read_data_sets("MNIST_data/")
train_data = mnist.train.images # Returns np.array
train_labels = np.asarray(mnist.train.labels, dtype=np.int32)
eval_data = mnist.test.images # Returns np.array
eval_labels = np.asarray(mnist.test.labels, dtype=np.int32)
# Create the Estimator ---构建评估模型
mnist_classifier = tf.estimator.Estimator(
model_fn=cnn_mnist.cnn_model_fn, model_dir="model")
# Set up logging for predictions
tensors_to_log = {"probabilities": "softmax_tensor"}
logging_hook = tf.train.LoggingTensorHook(
tensors=tensors_to_log, every_n_iter=50)
# Train the model ---初始化训练数据
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": train_data},
y=train_labels,
batch_size=100,
num_epochs=None,
shuffle=True)

#训练数据，得到训练模型
mnist_classifier.train(
input_fn=train_input_fn,
steps=20000,
hooks=[logging_hook])

# Evaluate the model and print results ----结果评估
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": eval_data},
y=eval_labels,
num_epochs=1,
shuffle=False)
eval_results = mnist_classifier.evaluate(input_fn=eval_input_fn)
print(eval_results)

您可能感兴趣的与本文相关的镜像