卷积神经网络应用于MNIST数据集分类

1.首先导入包

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

2.导入数据以及设置批次

#每个批次的大小
batch_size=100
#计算一共需要多少批次
n_batch=mnist.train.num_examples//batch_size

3.初始化权值和偏置值

#初始化权值
def weight_variable(shape,name):
    initial=tf.truncated_normal(shape,stddev=0.1)#生成一个截断正态分布
    return tf.Variable(initial,name=name)

#初始化偏置
def bias_variable(shape,name):
    initial=tf.constant(0.1,shape=shape)
    return tf.Variable(initial,name=name)

4.定义卷积和池化函数

#卷积层
def conv2d(x,W):
    #2d是二维的意思
    #x是一个tensor，形状是[batch,in_height,in_width,in_channels]NHWC关系，分别是批次大小(本例batch_size=100)，图片高度，图片宽度，通道数(黑白照片是1，彩色是3)
    #w是一个滤波器，tensor，形状是[filter_height,filter_width,in_channels,out_channels]，滤波器长，宽，输入和输出通道数
    #步长参数，strides[0]=strides[3]=1,strides[1]代表x方向的步长，strides[2]代表y方向的步长
    #padding:一个字符串，要么是'SAME'要么是'VALID'，对应两种卷积方法，前者补零,后者不会超出平面外部
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#池化层
def max_pool_2x2(x):#这里定义的最大池化的方式，他会取2*2窗口里最大的值
    #ksize[1,x,y,1]
    #ksize是窗口大小，索引0，3对应的值必须是1，因为是2*2，所以索引1，2对应的值为2,步长对应也是2
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

5.占位符

#命名空间
with tf.name_scope('input'):
    #定义两个占位符
    x=tf.placeholder(tf.float32,[None,784],name='x-input')#28*28
    y=tf.placeholder(tf.float32,[None,10],name='y-input')
    with tf.name_scope('x_image'):
        # 改变x的格式，转为4d的向量[batch,in_height,in_width,in_channels]
        x_image = tf.reshape(x, [-1, 28, 28, 1],name='x_image')  # -1是指个数不确定 1是通道数

6. 进行卷积和池化操作

with tf.name_scope('Conv1'):
    #初始化第一个卷积层的权值和偏置
    with tf.name_scope('W_conv1'):
        W_conv1=weight_variable([5,5,1,32],name='W_conv1')#5*5的采样窗口,32个卷积核从1个平面抽取特征 1的意思是通道数，如果是彩色则为3
    with tf.name_scope('b_conv1'):
        b_conv1=bias_variable([32],name='b_conv1')#每一个卷积核一个偏置值

    #把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
    with tf.name_scope('conv2d_1'):
        h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
    with tf.name_scope('h_pool1'):
        h_pool1=max_pool_2x2(h_conv1)#进行max—pooling

with tf.name_scope('Conv2'):
        #初始化第二个卷积层的权值和偏置
    with tf.name_scope('W_conv2'):
        W_conv2=weight_variable([5,5,32,64],name='W_conv2')#5*5的采样窗口,64个卷积核从32个平面抽取特征 因为前面32个卷积核生成了32个平面图。
    with tf.name_scope('b_conv2'):
        b_conv2=bias_variable([64],name='b_conv2')#每一个卷积核一个偏置值

        #把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
    with tf.name_scope('conv2d_2'):
        h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
    with tf.name_scope('h_pool2'):
        h_pool2=max_pool_2x2(h_conv2)#进行max—pooling

#黑白图，所以第一个卷积层的输入管道数为1，输出管道为32，即输出32个卷积核

#第二次卷积的时候输入即为第一层的输出，即32，输出为64，即输出64个卷积核。

#池化窗口为2*2，所以输入的像素宽高为28的图片经过一次池化后变为14*14，共两次池化所以最后是7*7

#因为我们用的是SAME，不是VALID，所以会自动填充，所以卷积之后不是24*24而依然是28*28，这样池化后才是14*14

#多少个卷积核返回多少个矩阵

7.全连接层

#28*28的图片第一次卷积后还是28*28，第一次池化后变为14*14
#第二次卷积后，还是14*14，第二次池化后，7*7
#通过上面操作后得到64张7*7的平面
with tf.name_scope('fc1'):
    with tf.name_scope('W_fc1'):
        #初始化第一个全连接层的权值和偏置值
        W_fc1=weight_variable([7*7*64,1024],name='W_fc1')#上一层有7*7*64个神经元，全连接层有1024个神经元 这个数是自己随机定义的
    with tf.name_scope('b_fc1'):
        b_fc1=bias_variable([1024],name='b_fc1')#1024个节点
    with tf.name_scope('h_pool2_flat'):
        #把池化层2的输出扁平化为1维 批次的100所以现在的形状是100*7*7*64，转化成1维
        h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64],name='h_pool2_flat')
    with tf.name_scope('wx_plus_b1'):
        #求第一个全连接层的输出⭐
        h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
        #用keep_prob来表示神经元的输出概率 就是之前用到的dropout
    with tf.name_scope('keep_prob'):
        keep_prob=tf.placeholder(tf.float32,name='keep_prob')
    with tf.name_scope('h_fc1_drop'):
        h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob,name='h_fc1_drop')
with tf.name_scope('fc2'):
    with tf.name_scope('W_fc2'):
        #初始化第二个全连接层
        W_fc2=weight_variable([1024,10],name='W_fc2')#10个输出
    with tf.name_scope('b_fc2'):
        b_fc2=bias_variable([10],name='b_fc2')
    with tf.name_scope('softmax'):
        #计算输出
        prediction=tf.matmul(h_fc1_drop,W_fc2)+b_fc2

扁平化处理很关键。

8.计算以及展示

#后面就都一样了，
with tf.name_scope('cross_entropy'):
    #交叉熵代价函数
    cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction),name='cross_entropy')
    tf.summary.scalar('cross_entropy',cross_entropy)
with tf.name_scope('train'):
    #使用AdamOptimizer进行优化
    train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        #结果存放在一个布尔列表中
        correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))
    with tf.name_scope('accuracy'):
        #求准确率
        accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
        tf.summary.scalar('accuracy',accuracy)
#合并所有的summary
merged=tf.summary.merge_all()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    train_writer=tf.summary.FileWriter('logs/train',sess.graph)
    test_writer=tf.summary.FileWriter('logs/test',sess.graph)
    for epoch in range(1001):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})
            #记录训练集计算的参数
            summary=sess.run(merged,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})
            train_writer.add_summary(summary,epoch)
            #记录测试集计算的参数
            batch_xs, batch_ys = mnist.test.next_batch(batch_size)
            summary = sess.run(merged, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.0})
            test_writer.add_summary(summary, epoch)
        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        train_acc = sess.run(accuracy, feed_dict={x: mnist.train.images, y: mnist.train.labels, keep_prob: 1.0})
        print("Iter "+str(epoch)+", Testing Accuracy="+str(test_acc)+", Training Accuracy="+str(train_acc))