LeNet-5模型代码（在mnist_train.py上修改）

最新推荐文章于 2024-05-09 21:11:22 发布

繁华落叶草

最新推荐文章于 2024-05-09 21:11:22 发布

阅读量535

点赞数 1

分类专栏：神经网络深度学习文章标签：神经网络 tensorflow LetNet-5模型卷积

本文链接：https://blog.youkuaiyun.com/wht18720080085/article/details/105388312

版权

本文介绍了如何修改mnist_train.py以实现LeNet-5模型，并提供了mnist_inference.py的修改代码，详细阐述了模型训练与推理的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先是mnist_train.py的修改如下：

import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import  input_data
import numpy as np

# 加载mnist_inference.py中定义的常量和前向传播的函数
import mnist_inference

# 配置神经网络的参数
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.0001
TRAINING_STEPS = 30000
MOVING_AVERAGE_DECAY = 0.99
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "/path/to/model/"
MODEL_NAME= "model.ckpt"

def train(mnist):
    # 定义输入输出placehoder.
    x = tf.placeholder(
        tf.float32, [BATCH_SIZE,mnist_inference.IMAGE_SIZE,
                     mnist_inference.IMAGE_SIZE,
                     mnist_inference.NUM_CHANNELS],name='x-input'
    )
    y_ = tf.placeholder(
        tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input'
    )
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    # 直接使用mnist_inference.py中定义的前向传播过程
    y = mnist_inference.inference(x, train, regularizer)
    global_step = tf.Variable(0,trainable=False)
    variable_averages = tf.train.ExponentialMovingAverage(
        MOVING_AVERAGE_DECAY, global_step
    )
    variable_averages_op = variable_averages.apply(
        tf.trainable_variables()
    )
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
        logits=y, labels=tf.argmax(y_, 1)
    )
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    loss=cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,
        global_step,

最低0.47元/天解锁文章