使用TensorFlow怎么實現卷積神經網絡

這篇文章給大家介紹使用TensorFlow怎么實現卷積神經網絡，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

先載入MNIST數據集（手寫數字識別集），并創建默認的Interactive Session（在沒有指定回話對象的情況下運行變量）

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

在定義一個初始化函數，因為卷積神經網絡有很多權重和偏置需要創建。

def weight_variable(shape): 
 initial = tf.truncated_normal(shape, stddev=0.1)
#給權重制造一些隨機的噪聲來打破完全對稱， 
 return tf.Variable(initial) 
#使用relu，給偏置增加一些小正值0.1，用來避免死亡節點 
def bias_variable(shape): 
 initial = tf.constant(0.1, shape=shape) 
 return tf.Variable(initial)

卷積移動步長都是1代表會不遺漏的劃過圖片的每一個點，padding代表邊界處理方式，same表示給邊界加上padding讓卷積的輸出和輸入保持同樣的尺寸。

def conv2d(x,W):#2維卷積函數，x輸入，w是卷積的參數，strides代表卷積模板移動步長 
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') 
 
def max_pool_2x2(x): 
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], 
       padding='SAME')

在正式設計卷積神經網絡結構前，先定義輸入的placeholder(類似于c++的cin，要求用戶運行時輸入)。因為卷積神經網絡會利用到空間結構信息，因此需要將一維的輸入向量轉換為二維的圖片結構。同時因為只有一個顏色通道，所以最后尺寸為【-1, 28，28， 1]，-1代表樣本數量不固定，1代表顏色通道的數量。

這里的tf.reshape是tensor變形函數。

x = tf.placeholder(tf.float32, [None, 784])# x 時特征 
y_ = tf.placeholder(tf.float32, [None, 10])# y_時真實的label 
x_image = tf.reshape(x, [-1, 28, 28,1])

接下來定義第一個卷積層。

w_conv1 = weight_variable([5, 5, 1, 32])
#代表卷積核尺寸為5X5，1個顏色通道，32個不同的卷積核，使用conv2d函數進行卷積操作， 
b_conv1 = bias_variable([32]) 
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) 
h_pool1 = max_pool_2x2(h_conv1)

定義第二個卷積層，與第一個卷積層一樣，只不過卷積核的數量變成了64，即這層卷積會提取64種特征

w_conv2 = weight_variable([5, 5, 32, 64])#這層提取64種特征 
b_conv2 = bias_variable([64]) 
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) 
h_pool2 = max_pool_2x2(h_conv2)

經過兩次步長為2x2的最大池化，此時圖片尺寸變成了7x7，在使用tf.reshape函數，對第二個卷積層的輸出tensor進行變形，將其從二維轉為一維向量，在連接一個全連接層（隱含節點為1024），使用relu激活函數。

w_fc1 = weight_variable([7*7*64, 1024]) 
b_fc1 = bias_variable([1024]) 
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) 
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)

Dropout層：隨機丟棄一部分節點的數據來減輕過擬合。這里是通過一個placeholder傳入keep_prob比率來控制的。

#為了減輕過擬合，使用一個Dropout層 
keep_prob = tf.placeholder(tf.float32) 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 
 
#dropout層的輸出連接一個softmax層，得到最后的概率輸出 
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)

定義損失函數即評測準確率操作

#損失函數，并且定義優化器為Adam 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), 
            reduction_indices=[1])) 
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) 
 
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

開始訓練

#初始化所有參數 
tf.global_variables_initializer().run() 
for i in range (20000): 
 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}) 
  print("step %d, training accuracy %g"%(i, train_accuracy)) 
 train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

全部訓練完成后，我們在最終的測試集上進行全面的測試，得到整體的分類準確率。

print("test accuracy %g" %accuracy.eval(feed_dict={ 
 x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

這個網絡，參與訓練的樣本數量總共為100萬，共進行20000次訓練迭代，使用大小為50的mini_batch。

關于使用TensorFlow怎么實現卷積神經網絡就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。