TensorFlow2.0之LeNet-5实战_tensorflow2.0lenet5实战-优快云博客

本文链接：https://blog.youkuaiyun.com/shengxing_stu/article/details/111998668

本文详细介绍了如何使用TensorFlow 2.0实现经典的LeNet-5网络结构，包括卷积层、池化层、激活函数和全连接层的配置，以及损失函数和优化器的选择。通过实例演示了模型构建、训练过程和准确率评估，适合初学者入门深度学习图像分类任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

TensorFlow2.0之LeNet-5实战

from tensorflow.keras import Sequential, layers, losses, optimizers, datasets
import tensorflow as tf


def main():
    # 网络容器
    network = Sequential([
        # 第一个卷积层，6个3*3卷积核
        layers.Conv2D(6, kernel_size=3, strides=1),
        # 高宽各减半的池化层
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 激活函数
        layers.ReLU(),
        # 第二个卷积层，16个3*3卷积核
        layers.Conv2D(16, kernel_size=3, strides=1),
        # 高宽各减半的池化层
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 激活函数
        layers.ReLU(),
        # 打平层，方便全连接处理
        layers.Flatten(),
        # 全连接层，120个节点
        layers.Dense(120, activation='relu'),
        # 全连接层，84节点
        layers.Dense(84, activation='relu'),
        # 全连接层，10个节点
        layers.Dense(10)
    ])
    # build一次网络模型，给输入x的形状，其中4为随意给的batchsize
    network.build(input_shape=(4, 28, 28, 1))
    # 统计网络信息
    network.summary()

    # 创建损失函数的类，在实际计算时直接调用类实例即可
    criteon = losses.CategoricalCrossentropy(from_logits=True)
    # 构建梯度记录环境
    with tf.GradientTape() as tape:
        # 插入通道维度 [b,28,28] => [b,28,28,1]
        x = tf.expand_dims(x, axis=3)
        # 前向计算，获得10类别的概率分布，[b,784] => [b,10]
        out = network(x)
        # 真实标签one-hot编码,[b] => [b,10]
        y_onehot = tf.one_hot(y, depth=10)
        # 计算交叉熵损失函数,标量
        loss = criteon(y_onehot, out)

        # 自动计算梯度
        grads = tape.gradient(loss, network.trainable_variables)
        # 自动更新参数
        optimizers.apply_gradients(zip(grads, network.trainable_variables))

        if step % 50 == 0:
            print(epoch, step, 'loss:', float(loss))

    # 记录预测正确的数量，总样本数量
    correct, total = 0, 0
    # 变历所有训练集样本
    for x, y in db_test:
        # 插入通道维度：[b,28,28] => [b,28,28,1]
        x = tf.expand_dims(x, axis=3)
        # 前向计算，获得10类别的预测分布，[b,784] => [b,10]
        out = network(x)
        # 真实的流程时先经过Softmax再argmax
        pred = tf.argmax(out, axis=-1)
        y = tf.cast(y, tf.int64)
        # 统计预测正确数量
        correct += float(tf.reduce_sum(tf.cast(tf.equal(pred, y), tf.float32)))
        # 统计预测样本总数
        total += x.shape[0]
    # 计算准确率
    print('test acc:', correct / total)