深度学习网络篇——AlexNet在MNIST的代码实现

最新推荐文章于 2024-10-14 15:26:51 发布

PRIS-SCMonkey

最新推荐文章于 2024-10-14 15:26:51 发布

阅读量2.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习Deep Learning 文章标签：深度学习网络 Deep Learning AlexNet

本文链接：https://blog.youkuaiyun.com/weixin_43624538/article/details/84325936

AlexNet是深度学习网络篇学习的基础网络，这篇文章在MNIST上做一次实现。在MNIST上实现AlexNet的代码有很多大大们都写过，这篇文章分享一下我们自己写的时候有些小体会。

写代码之前的一点儿小准备

要搭建一个深度学习的网络，我们首先要了解数据集！
整体来说，MNIST的AlexNet的实现（分类问题） MNIST的输入大小是28x28，手写数字0-9，共10类。如果有小伙伴想更深入的了解MNIST数据集，可以参考我的数据集的博客机器学习数据集篇——MNIST数据集
在我们了解了数据集后，我们再要思考的问题就是我们怎么搭建网络。我们可以把搭建网络可以比作盖房子，我们有了数据集，就相当于我们已经有了盖房子的水泥等原材料；我们现在要开始画图纸了，决定这个房子是盖一层还是摩天大厦，每一层房子里都放些什么东西，这也就说明我们要考虑网络建几层，每层都有些什么布置和考量。
对于MNIST上的AlexNet来说，网络就是5层卷积层，3层全连接层（含softmax层），输入是28x28的图像文件，输出是10个类；在卷积层中的操作是卷积—激活—池化（可选）—标准化（可选）；在全连接层上我们考虑用多少个神经元来训练；还要定义损失函数和优化器等等。
综上所述，我们可以把构建网络模型分成四个步骤：
1.数据集的加载（了解数据集、获取数据集、明确输入等）
2.定义网络模型（明确要实现什么问题‘是分类or回归’、定义网络模型的结构、定义损失函数和优化器、定义评估函数等）
3.训练模型（初始化变量、在训练集上训练）
4.评估模型（在测试集上测试，输出损失）

AlexNet在MNIST的实现过程

首先我们要做一些导入的准备，比如说tensorflow，MNIST啥的。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

定义网络的超参数和基础参数

learning_rate = 0.001
training_iters = 20000
batch_size = 128    # 批处理大小128，每一次128张图片进行训练
display_step = 10    # 每10个记录打印一次
n_input = 784   #28x28
n_classes = 10
dropout = 0.75

构建网络模型（因为卷积函数、池化函数和标准化我们用的比较多，把它们封装起来，后续的可以直接调用）

def conv2d(name,x,W,b,strides=1):
    x = tf.nn.conv2d(x,W,strides=[1,strides,strides,1],padding='SAME')    # tf.nn.conv2d函数
    x = tf.nn.bias_add(x,b)                                              # 加一个bias
    return tf.nn.relu(x,name=name)   # 做激活

def maxpool2d(name,x,k=2):
    return tf.nn.max_pool(x,ksize=[1,k,k,1],strides=[1