MNISTtwo

转载于 2017-12-09 16:41:09 发布 · 163 阅读
30 篇文章
订阅专栏
99.12% adam
# -*- coding: UTF-8 -*- 
'''
Created on 2017年12月8日
'''
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf  
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)     #下载并加载mnist数据

x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量,占位符，每一个sample都是784维，none表示有无数个sample    
y_ = tf.placeholder(tf.float32, [None,10])  #占位符，每一个sample都是10维(行)，因为是one_hot  

#初始化权重和偏置项参数  
#tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。  
#正态分布  
def weight_variable(shape):     
    initial = tf.truncated_normal(shape, stddev = 0.1)    #均值为0 标准差为0.1
    return tf.Variable(initial)  
  
def bias_variable(shape):  
    initial = tf.constant(0.1, shape = shape)    #统一值为0.1
    return tf.Variable(initial)  
  
def conv2d(x, W):     #做卷积,步长为1，same padding  same padding 填充型
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  
  
def max_pool_2x2(x):   #2＊2的大小做max pooling  
    return tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')  

#第一层卷积   
W_conv1 = weight_variable([5, 5, 1, 32])     #调用权值初始化函数  卷积核5＊5 通道1 输出通道32，也就是32个卷积核--第一个卷积层的权重参数
b_conv1 = bias_variable([32])  #调用偏置项初始化函数 共享权重，所以没一个卷积核一个偏执项

#为了用这一层，我们把x变成一个4d向量，其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通  
#道数(因为是灰度图所以这里的通道数为1，如果是rgb彩色图，则为3)。  
x_image = tf.reshape(x, [-1,28,28,1])         #-1代表有多少就取多少 
#我们把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。  
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)   
h_pool1 = max_pool_2x2(h_conv1)      #特征图越来越小，但通道数越来越多
print h_pool1.get_shape()     #用以输出经过第一层卷积处理后的维度 #? 14 14 32  每一个滤波器的参数个数为25

#第二层卷积  
W_conv2 = weight_variable([5, 5, 32, 64])   #上一次得到的32个图，现在用64个filter了  
b_conv2 = bias_variable([64])  
  
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) #注意，这个h_pool1现在已经是14＊14的了  
h_pool2 = max_pool_2x2(h_conv2)  
print h_pool2.get_shape()   # ？ 7 7 64  每一个滤波器的参数个数为25＊32

#全连接层  full-connected network
W_fc1 = weight_variable([7 * 7 * 64, 1024])     #也就是有1024个neuron
b_fc1 = bias_variable([1024])  
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])    #进行flatten操作，搞成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  
print h_fc1.get_shape()   # ? 1024 

#Dropout   
#为了减少过拟合，我们在输出层之前加入dropout。  
keep_prob = tf.placeholder("float")  
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 

#输出层  
#最后，我们添加一个softmax层，就像前面的单层softmax regression一样。  
W_fc2 = weight_variable([1024, 10])  
b_fc2 = bias_variable([10])  
  
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) 

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))   #y_是真实的,y_conv是CNN的输出
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  
# train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)    #梯度下降法 ,learning rate 0.001
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))      #正确率

#训练和评估模型  
#我们会用更加复杂的ADAM优化器来做梯度最速下降，在feed_dict中加入额外的参数keep_prob来控制dropout比例。  
#然后每100次迭代输出一次日志。 
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())     #初始化所有参数
for i in range(10000):  
    batch = mnist.train.next_batch(50)  
    if i%100 == 0:  
        train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})           #在验证及测试时候都是全接连  
        print "step %d, training accuracy %g"%(i, train_accuracy)  
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})    #在训练的时候，搞dropout，这里出错了，不应该缩进来  
print "test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})