Tensorflow卷积神经网络实现MNIST手写数据集识别

模型建的不好，最终只有85%左右的准确率，后面继续改进吧

 

#卷积神经网络API
    卷积层：tf.nn.conv2d(input,    #输入张量，具有[batch, height, width, channel]
                filter,    #过滤器大小[filter_height, filter_width, in_channels,out_channels]
                strides,#步长，一般为1
                padding    #SAME VALID,same为填充0，输出结论与输入结论的长宽一样
                )

    池化层：tf.nn.max_pool(value,    #[batch, height, width,channels]
                ksize,    #池化窗口大小
                strides，    #步长大小
                padding    #填充类型，SAME or VALID
                )

#卷积神经网络识别mnist
import tensorflow as tf
import os
from tensorflow.examples.tutorials.mnist import input_data

def init_weight(shape):
    """
    初始化权重参数
    """
    w = tf.Variable(tf.random_normal(shape = shape, mean=0.0, stddev=1.0))
    return w

def init_bias(shape):
    """
    初始化偏置参数
    """
    b = tf.Variable(tf.random_normal(shape = shape, mean=0.0, stddev=1.0))
    return b

def modol():
    """
    卷积神经网络模型
    """
    # 1、准备数据占位符 x[None, 784], y[None, 10]
    with tf.variable_scope("Input_data"):
        x = tf.placeholder(tf.float32, [None, 784])
        y_true = tf.placeholder(tf.int32, [None, 10])

    # 2、卷积层1
    with tf.variable_scope("Conv1"):

        # 随机初始化参数
        w1 = init_weight([5,5,1,32])
        b1 = init_bias([32])

        # 改变x从[None,784] -> [None,28, 28, 1]
        x_reshape = tf.reshape(x, [-1, 28, 28, 1])
        
        # 进行卷积操作,x_relu[None,28,28,32]
        x1_relu = tf.nn.relu(tf.nn.conv2d(x_reshape, w1, strides = [1,1,1,1], padding="SAME") + b1)

        #池化层
        x1_pool = tf.nn.max_pool(x1_relu, ksize=[1,2,2,1], strides = [1,2,2,1], padding="SAME")

    # 3、卷积层2:输入为：[None,14,14,32]
        # 随机初始化参数
        w2 = init_weight([5,5,32,64])
        b2 = init_bias([64])

        # 进行卷积操作,x_relu[None,14,14,64]
        x2_relu = tf.nn.relu(tf.nn.conv2d(x1_pool, w2, strides = [1,1,1,1], padding="SAME") + b2)

        #池化层[None,14,14,64] -> [None,7,7,64]
        x2_pool = tf.nn.max_pool(x2_relu, ksize=[1,2,2,1], strides = [1,2,2,1], padding="SAME")

    # 4、全连接层，输入为[None,7,7,64] * [7*7*64,10] = [None,10]

        #随机初始化权重和偏置
        w_fc = init_weight([7*7*64,10])
        b_fc = init_bias([10])

        #修改矩阵大小[None,7,7,64] -> [None,7*7*64]
        fc_reshape = tf.reshape(x2_pool, [-1,7*7*64])

        #进行矩阵运算[None, 10]
        y_predict = tf.matmul(fc_reshape, w_fc) + b_fc
    return x, y_true, y_predict

def conv_fc():
    
    mnist = input_data.read_data_sets("./mnist/input_data/", one_hot=True)
    x, y_true, y_predict = modol()

    #计算交叉熵损失
    with tf.variable_scope("soft_cross"):
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels = y_true, logits = y_predict))

    with tf.variable_scope("opitmizer"):
        train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss)
            
    with tf.variable_scope("accuracy"):
        equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict,1))
        accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))

    init_op = tf.global_variables_initializer()
    print("asd")

    with tf.Session() as sess:

        sess.run(init_op)

        #循环训练
        for i in range(5000):
            # API获取一个训练batch
            mnixt_x, mnist_y = mnist.train.next_batch(50)

            # 运行op训练
            sess.run(train_op, feed_dict = {x: mnixt_x, y_true: mnist_y})
            print("after %d times of trainings, accuracy is %f" % 
                    (i, sess.run(accuracy, feed_dict = {x: mnixt_x, y_true: mnist_y})))

    return None

if __name__ == '__main__':
    conv_fc()