用Tensorflow搭建CNN卷积神经网络，实现MNIST手写数字识别

最新推荐文章于 2022-03-01 15:22:07 发布

miangangzhen

最新推荐文章于 2022-03-01 15:22:07 发布

阅读量4.8k

点赞数 3

CC 4.0 BY-SA版权

文章标签：神经网络 tensorflow 图像识别

本文链接：https://blog.youkuaiyun.com/miangangzhen/article/details/72477849

本文详细介绍了如何使用Tensorflow构建CNN，从本地加载并预处理MNIST数据，创建批量训练，构建网络结构，训练并评估模型，最后还提供了保存和加载模型的方法。涉及的第三方库包括Tensorflow、Pillow、NumPy和Matplotlib。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写在前面的话

不同于Tensorflow官方教程简略的DEMO，我们自己动手实现以下目标
- 从本地文件系统中加载图片、标签
- 对图片和标签预处理
- 创建batch对象以提供随机批次训练
- 构建网络结构
- 训练神经网络
- 在验证集合上评估准确率
- 保存及加载网络参数模型

CNN卷积神经网络的基础知识及简介，我推荐这篇文章。
http://brohrer.github.io/how_convolutional_neural_networks_work.html

训练数据

请下载 https://pan.baidu.com/s/1cdBnbC
训练集合
train.txt 图片文件名-标签
train.rar 图片库，请解压为train文件夹
验证集合
val.txt 图片名-标签
val.rar 图片库，请解压为val文件夹

本程序用到的第三方库

tensorflow (1.0.1) 谷歌基于DistBelief进行研发的第二代人工智能学习系统
Pillow (3.2.0) 基本的图像处理功能
numpy (1.12.1) 开源的数值计算扩展
matplotlib (1.5.1) Python 的 2D绘图库

干货，代码及讲解

定义输入数据路径

TRAIN_LABEL_PATH = "/path/to/train.txt"
TRAIN_IMAGE_PATH = "/path/to/train/"
VAL_LABEL_PATH = "/path/to/val.txt"
VAL_IMAGE_PATH = "/path/to/val/"

定义函数辅助构建神经网络

def weigth_variable(shape, name):
    # 这里使用截断的正态分布，标准差为0.1
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial, name = name)

def bias_variable(shape):
    # bias初始化为0.1避免死亡节点
    initial = tf.constant(0.1, shape=shape)
    return initial

def conv2d(x, W):
    # 参数中x是输入，W是卷积的参数，比如[5,5,1,32]：前面两个数字代表卷积核的尺寸；第三个数字代表有多少个channel。因为我们只有灰度单色，所以是1，如果是RGB彩色图片，这里应该是3。
    # 最后一个数字代表卷积核的数量，也就是这个卷积层会提取多少类的特征。
    # Strides代表卷积模板移动的步长，都是1代表会不遗漏地划过图片的每一个点。
    # Padding代表边界的处理方式，这里的SAME代表给边界加上Padding让卷积的输出和输入保持同样(SAME)是尺寸。
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding="SAME")

def