枣庄定制网站建设公司,seo优化一般多少钱,给朋友做的相册网站没有了,建房城乡建设部网站卷积神经网络比神经网络稍微复杂一些#xff0c;因为其多了一个卷积层(convolutional layer)和池化层(pooling layer)。 使用mnist数据集#xff0c;n个数据#xff0c;每个数据的像素为28*28*1784。先让这些数据通过第一个卷积层#xff0c;在这个卷积上指定一个3*3*1的fe…卷积神经网络比神经网络稍微复杂一些因为其多了一个卷积层(convolutional layer)和池化层(pooling layer)。 使用mnist数据集n个数据每个数据的像素为28*28*1784。先让这些数据通过第一个卷积层在这个卷积上指定一个3*3*1的feature这个feature的个数设为64。接着经过一个池化层让这个池化层的窗口为2*2。然后在经过一个卷积层在这个卷积上指定一个3*3*64的feature这个featurn的个数设置为128,。接着经过一个池化层让这个池化层的窗口为2*2。让结果经过一个全连接层这个全连接层大小设置为1024在经过第二个全连接层大小设置为10进行分类。 import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data
mnist input_data.read_data_sets(data/, one_hotTrue)
trainimg mnist.train.images
trainlabel mnist.train.labels
testimg mnist.test.images
testlabel mnist.test.labels
print (MNIST ready) #像素点为784
n_input 784
#十分类
n_output 10
#wc1第一个卷积层参数3*3*1共有64个
#wc2第二个卷积层参数3*3*64共有128个
#wd1第一个全连接层参数经过两个池化层被压缩到7*7
#wd2第二个全连接层参数
weights {wc1: tf.Variable(tf.random_normal([3, 3, 1, 64], stddev0.1)),wc2: tf.Variable(tf.random_normal([3, 3, 64, 128], stddev0.1)),wd1: tf.Variable(tf.random_normal([7*7*128, 1024], stddev0.1)),wd2: tf.Variable(tf.random_normal([1024, n_output], stddev0.1))}
biases {bc1: tf.Variable(tf.random_normal([64], stddev0.1)),bc2: tf.Variable(tf.random_normal([128], stddev0.1)),bd1: tf.Variable(tf.random_normal([1024], stddev0.1)),bd2: tf.Variable(tf.random_normal([n_output], stddev0.1))} 定义前向传播函数。先将输入数据预处理变成tensorflow支持的四维图像进行第一层的卷积层处理调用conv2d函数将卷积结果用激活函数进行处理relu函数将结果进行池化层处理ksize代表窗口大小将池化层的结果进行随机删除节点进行第二层卷积和池化...进行全连接层先将数据进行reshape此处为7*7*128进行激活函数处理得出结果。前向传播结束。 def conv_basic(_input, _w, _b, _keepratio):# INPUT_input_r tf.reshape(_input, shape[-1, 28, 28, 1])# CONV LAYER 1_conv1 tf.nn.conv2d(_input_r, _w[wc1], strides[1, 1, 1, 1], paddingSAME)_conv1 tf.nn.relu(tf.nn.bias_add(_conv1, _b[bc1]))_pool1 tf.nn.max_pool(_conv1, ksize[1, 2, 2, 1], strides[1, 2, 2, 1], paddingSAME)_pool_dr1 tf.nn.dropout(_pool1, _keepratio)# CONV LAYER 2_conv2 tf.nn.conv2d(_pool_dr1, _w[wc2], strides[1, 1, 1, 1], paddingSAME)_conv2 tf.nn.relu(tf.nn.bias_add(_conv2, _b[bc2]))_pool2 tf.nn.max_pool(_conv2, ksize[1, 2, 2, 1], strides[1, 2, 2, 1], paddingSAME)_pool_dr2 tf.nn.dropout(_pool2, _keepratio)# VECTORIZE_dense1 tf.reshape(_pool_dr2, [-1, _w[wd1].get_shape().as_list()[0]])# FULLY CONNECTED LAYER 1_fc1 tf.nn.relu(tf.add(tf.matmul(_dense1, _w[wd1]), _b[bd1]))_fc_dr1 tf.nn.dropout(_fc1, _keepratio)# FULLY CONNECTED LAYER 2_out tf.add(tf.matmul(_fc_dr1, _w[wd2]), _b[bd2])# RETURNout { input_r: _input_r, conv1: _conv1, pool1: _pool1, pool1_dr1: _pool_dr1,conv2: _conv2, pool2: _pool2, pool_dr2: _pool_dr2, dense1: _dense1,fc1: _fc1, fc_dr1: _fc_dr1, out: _out}return out
print (CNN READY) 定义损失函数定义优化器 x tf.placeholder(tf.float32, [None, n_input])
y tf.placeholder(tf.float32, [None, n_output])
keepratio tf.placeholder(tf.float32)# FUNCTIONS_pred conv_basic(x, weights, biases, keepratio)[out]
cost tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(_pred, y))
optm tf.train.AdamOptimizer(learning_rate0.001).minimize(cost)
_corr tf.equal(tf.argmax(_pred,1), tf.argmax(y,1))
accr tf.reduce_mean(tf.cast(_corr, tf.float32))
init tf.global_variables_initializer()# SAVER
save_step 1
saver tf.train.Saver(max_to_keep3) print (GRAPH READY) 进行迭代 do_train 1
sess tf.Session()
sess.run(init)training_epochs 15
batch_size 16
display_step 1
if do_train 1:for epoch in range(training_epochs):avg_cost 0.total_batch int(mnist.train.num_examples/batch_size)# Loop over all batchesfor i in range(total_batch):batch_xs, batch_ys mnist.train.next_batch(batch_size)# Fit training using batch datasess.run(optm, feed_dict{x: batch_xs, y: batch_ys, keepratio:0.7})# Compute average lossavg_cost sess.run(cost, feed_dict{x: batch_xs, y: batch_ys, keepratio:1.})/total_batch# Display logs per epoch stepif epoch % display_step 0: print (Epoch: %03d/%03d cost: %.9f % (epoch, training_epochs, avg_cost))train_acc sess.run(accr, feed_dict{x: batch_xs, y: batch_ys, keepratio:1.})print ( Training accuracy: %.3f % (train_acc))#test_acc sess.run(accr, feed_dict{x: testimg, y: testlabel, keepratio:1.})#print ( Test accuracy: %.3f % (test_acc))print (OPTIMIZATION FINISHED) 转载于:https://www.cnblogs.com/xxp17457741/p/9480521.html
