基於TensorFlow框架搭建一個最簡單的CNN框架

項目簡介

本文將使用python，並藉助TensorFlow框架搭建一個最簡單的CNN框架，來實現對手寫數字的識別。

本文搭建的CNN框架結構

【1】輸入層（本文的輸入是一個28*28且爲單通道的圖片，所以輸入層有784個節點）
【2】第一個卷積層（該卷積層包含了32個不同的55的卷積核，即該卷積層提取了32種不同圖形特徵，【5,5,1,32】表示卷積核尺寸爲55,1個顏色通道，32個不同的卷積核）
【3】第一個卷積層後的最大池化層
【4】第二個卷積層（該卷積層包含了64個不同的55的卷積核，即該卷積層提取了32種不同圖形特徵，【5,5,32,64】表示卷積核尺寸爲55，64個不同的卷積核）
【5】第二個卷積層後的最大池化層
【6】全連接層
【7】一個Dropout層（爲了減輕過擬合，在訓練時，我們隨機丟棄一部分節點的數據來減輕過擬合，預測是則保留全部數據來追求最好的預測性能）
【8】Softmax層，得到最後的概率輸出。
【9】定義損失函數爲交叉熵（cross entropy），優化器使用Adam
【10】得到模型的預測精度

項目代碼

導入相應的庫

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

導入手寫數字數據集

mnist = input_data.read_data_sets("MNIST_data/",one_hot = True)
sess = tf.InteractiveSession()

定義生成權重的函數

def weight_variabel(shape):

initial = tf.truncated_normal(shape,stddev = 0.1)
return tf.Variable(initial)

定義生成偏重的函數

def bias_variable(shape):

initial = tf.constant(0.1,shape = shape)
return tf.Variable(initial)

定義生成卷積層的函數

卷積層

def conv2d(x,W):

return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

池化層

定義生成最大池化層函數

def max_pool_2x2(x):

return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],
                     padding='SAME')

傳入輸入的變量

x = tf.placeholder(tf.float32,[None,784])

傳入標籤的變量

y_ = tf.placeholder(tf.float32,[None,10])

將1D的圖片轉爲28*28的2D照片

x_image = tf.reshape(x,[-1,28,28,1])

我們定義第一個卷積層

權重

W_conv1 = weight_variabel([5,5,1,32])

偏置

b_conv1 = bias_variable([32])

卷積核

h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)

最大池化層

h_pool1 = max_pool_2x2(h_conv1)

定義第二個卷積層

權重

W_conv2 = weight_variabel([5,5,32,64])

偏置

b_conv2 = bias_variable([64])

卷積核

h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)

最大池化層

h_pool2 = max_pool_2x2(h_conv2)

定義一個全連接層，隱含節點數爲1024，並使用ReLU激活函數

W_fc1 = weight_variabel([7764,1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2,[-1,7764])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)

爲了減輕過擬合，下面使用一個Dropout層，是通過一個placeholder的傳輸keepr_prob比率來控制的。在訓練時，

我們隨機丟棄一部分節點數據來減輕過擬合，預測時我們保留全部數據來追求最好的預測性能

keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

最後我們將Dropout層的輸出連接一個Softmax層，得到最後的概率輸出

W_fc2 = weight_variabel([1024,10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

我們定義損失函數cross entropy ,和之前一樣，但是優化器使用Adam，並給予一個小的學習速率1e-4

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))

下面開始訓練過程，首先是初始化所有參數

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,trainning accuracy %g"%(i,train_accuracy))
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})

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