深度学习与TensorFlow实战(九)卷积神经网络—Lenet神经网络
Lenet神经网络是YannLeCun等人在1998年提出的,该神经网络充分考虑图像的相关性。
Lenet神经网络结构为:
1),输入为32X32X1的图片大小,为单通道;
2),进行卷积,卷积核大小为5X5X1,个数为6,步长为1,非0填充;
3)将卷积结果通过非线性激活函数;
4)进行池化,池化大小为2X2,步长为1,全0填充;
5)进行卷积,卷积核大小为5X5X6,个数16,步长1,非全0填充;
6)将卷积结果通过非线性激活函数;
7)进行池化,池化大小为2X2,步长1,全0填充;
8)全连接层进行10分类。
Lenet神经网络的结构图及特征提取过程如下:
根据Lenet神经网络的结构可得,Lenet具有以下特点:
1)卷积(conv),池化(ave-pooling),非线性激活函数(sigmoid)相互交替;
2)层与层之间稀疏连接,减少计算复杂度。
对Lenet进行微调整,使其适应Mnist数据集:
由于Mnist数据集图片大小为28X28X1的灰度图片,而Lenet神经网络的输入为32X32X1的大小,所以要进行微调;
①输入为28*28*1的图片大小,为单通道的输入;
②进行卷积,卷积核大小为5*5*1,个数为32,步长为1,全零填充模式;
③将卷积结果通过非线性激活函数;
④进行池化,池化大小为2*2,步长为2,全零填充模式;
⑤进行卷积,卷积核大小为5*5*32,个数为64,步长为1,全零填充模式;
⑥将卷积结果通过非线性激活函数;
⑦进行池化,池化大小为2*2,步长为2,全零填充模式;
⑧全连接层,进行10分类。
Lenet进行微调后的结构如下所示:
Lenet神经网络在Mnist数据集上的实现,主要分为三个部分:前向传播过程(mnist_lenet5_forward.py)、反向传播过程(mnist_lenet5_backword.py)、测试过程(mnist_lenet5_test.py)。
第一,前向传播过程(mnist_lenet5_forward.py)实现对网络中参数和偏置的初始化、定义卷积结构和池化结构、定义前向传播过程。具体代码如下所示:
# coding:utf-8 import tensorflow as tf # 每张图片分辨率为28*28 IMAGE_SIZE = 28 # Mnist数据集为灰度图,故输入图片通道数NUM_CHANNELS取值为1 NUM_CHANNELS = 1 # 第一层卷积核大小为5 CONV1_SIZE = 5 # 卷积核个数为32 CONV1_KERNEL_NUM = 32 # 第二层卷积核大小为5 CONV2_SIZE = 5 # 卷积核个数为64 CONV2_KERNEL_NUM = 64 # 全连接层第一层为 512 个神经元 FC_SIZE = 512 # 全连接层第二层为 10 个神经元 OUTPUT_NODE = 10 # 权重w计算 def get_weight(shape, regularizer): w = tf.Variable(tf.truncated_normal(shape, stddev=0.1)) if regularizer != None: tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w)) return w # 偏置b计算 def get_bias(shape): b = tf.Variable(tf.zeros(shape)) return b # 卷积层计算 def conv2d(x, w): return tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME') # 最大池化层计算 def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') def forward(x, train, regularizer): # 实现第一层卷积 conv1_w = get_weight([CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_KERNEL_NUM], regularizer) conv1_b = get_bias([CONV1_KERNEL_NUM]) conv1 = conv2d(x, conv1_w) # 非线性激活 relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_b)) # 最大池化 pool1 = max_pool_2x2(relu1) # 实现第二层卷积 conv2_w = get_weight([CONV2_SIZE, CONV2_SIZE, CONV1_KERNEL_NUM, CONV2_KERNEL_NUM], regularizer) conv2_b = get_bias([CONV2_KERNEL_NUM]) conv2 = conv2d(pool1, conv2_w) relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_b)) pool2 = max_pool_2x2(relu2) # 获取一个张量的维度 pool_shape = pool2.get_shape().as_list() # pool_shape[1] 为长 pool_shape[2] 为宽 pool_shape[3]为高 nodes = pool_shape[1] * pool_shape[2] * pool_shape[3] # 得到矩阵被拉长后的长度,pool_shape[0]为batch值 reshaped = tf.reshape(pool2, [pool_shape[0], nodes]) # 实现第三层全连接层 fc1_w = get_weight([nodes, FC_SIZE], regularizer) fc1_b = get_bias([FC_SIZE]) fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_w) + fc1_b) # 如果是训练阶段,则对该层输出使用dropout if train: fc1 = tf.nn.dropout(fc1, 0.5) # 实现第四层全连接层 fc2_w = get_weight([FC_SIZE, OUTPUT_NODE], regularizer) fc2_b = get_bias([OUTPUT_NODE]) y = tf.matmul(fc1, fc2_w) + fc2_b return y
第二,反向传播过程(mnist_lenet5_backward.py),完成训练神经网络的参数。具体代码如下所示:
# coding:utf-8 import tensorflow as tf import mnist_lenet5_forward import numpy as np import os from tensorflow.examples.tutorials.mnist import input_data # batch的数量 BATCH_SIZE = 100 # 初始学习率 LEARNING_RATE_BASE = 0.005 # 学习率衰减率 LEARNING_RATE_DECAY = 0.99 # 正则化 REGULARIZER = 0.0001 # 滑动平均衰减率 MOVING_AVERAGE_DECAY = 0.99 # 模型保存路径 MODEL_SAVE_PATH = "./model/" # 模型名称 MODEL_NAME = "mnist_model" def backward(mnist): # 卷积层输入为四阶张量 # 第一阶表示每轮喂入的图片数量,第二阶和第三阶分别表示图片的行分辨率和列分辨率,第四阶表示通道数 x = tf.placeholder(tf.float32, [ BATCH_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.NUM_CHANNELS ]) y_ = tf.placeholder(tf.float32, [None, mnist_lenet5_forward.OUTPUT_NODE]) y = mnist_lenet5_forward.forward(x, True, REGULARIZER) # 声明一个全局计数器 global_step = tf.Variable(0, trainable=False) # 对网络最后一层的输出y做softmax,求取输出属于某一类的概率 ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1)) # 向量求均值 cem = tf.reduce_mean(ce) # 正则化的损失值 loss = cem + tf.add_n(tf.get_collection('losses')) # 指数衰减学习率 learning_rate = tf.train.exponential_decay( LEARNING_RATE_BASE, global_step, mnist.train.num_examples / BATCH_SIZE, LEARNING_RATE_DECAY, staircase=True ) # 梯度下降算法优化器 train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step) # 采用滑动平均的方法更新参数 ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) ema_op = ema.apply(tf.trainable_variables()) # 将train_step和ema两个训练参数绑定train_op上 with tf.control_dependencies([train_step, ema_op]): train_op = tf.no_op(name='train') # 实例化一个保存和恢复变量的saver saver = tf.train.Saver() with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) #通过checkpoint文件定位到最新保存的模型,若文件存在,则加载最新模型 ckpt=tf.train.get_checkpoint_state(MODEL_SAVE_PATH) if ckpt and ckpt.model_checkpoint_path: saver.restore(sess,ckpt.model_checkpoint_path) for i in range(5000): #读取一个batch数据,将输入数据xs转成网络输入相同形状的矩阵 xs,ys=mnist.train.next_batch(BATCH_SIZE) reshaped_xs=np.reshape(xs,( BATCH_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.NUM_CHANNELS )) _,loss_value,step=sess.run([train_step,loss,global_step],feed_dict={x:reshaped_xs,y_:ys}) if i%100==0: print("after %d training step,loss is %g"%(step,loss_value)) saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step) def main(): mnist=input_data.read_data_sets("./data/",one_hot=True) backward(mnist) if __name__=='__main__': main()
结果:
第三,测试过程(mnist_lenet5_test.py),对Mnist数据集中的测试数据进行预测,测试模型准确率。具体代码如下所示:
# coding:utf-8 import time import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import mnist_lenet5_forward import mnist_lenet5_backward import numpy as np # 创建一个默认图,在该图中执行以下操作 def test(mnist): with tf.Graph().as_default() as g: x = tf.placeholder(tf.float32, [ mnist.test.num_examples, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.NUM_CHANNELS]) y_ = tf.placeholder(tf.float32, [None, mnist_lenet5_forward.OUTPUT_NODE]) # 训练好的网络,故不使用 dropout y = mnist_lenet5_forward.forward(x, False, None) ema = tf.train.ExponentialMovingAverage(mnist_lenet5_backward.MOVING_AVERAGE_DECAY) ema_restore = ema.variables_to_restore() saver = tf.train.Saver(ema_restore) # 判断预测值和实际值是否相同 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 求平均得到准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) while True: with tf.Session() as sess: ckpt = tf.train.get_checkpoint_state(mnist_lenet5_backward.MODEL_SAVE_PATH) if ckpt and ckpt.model_checkpoint_path: saver.restore(sess, ckpt.model_checkpoint_path) # 根据读入的模型名字切分出该模型是属于迭代了多少次保存的 global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] reshaped_x = np.reshape(mnist.test.images, ( mnist.test.num_examples, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.IMAGE_SIZE, mnist_lenet5_forward.NUM_CHANNELS)) # 利用多线程提高图片和标签的批获取效率 #coord = tf.train.Coordinator() # 3 #threads = tf.train.start_queue_runners(sess=sess, coord=coord) # 4 accuracy_score = sess.run(accuracy, feed_dict={x: reshaped_x, y_: mnist.test.labels}) print("After %s training step(s), test accuracy = %g" % (global_step, accuracy_score)) # 关闭线程协调器 #coord.request_stop() # 6 #coord.join(threads) # 7 else: print('No checkpoint file found') return time.sleep(5) def main(): mnist = input_data.read_data_sets("./data/", one_hot=True) test(mnist) if __name__ == '__main__': main()阅读更多
- 深度学习与TensorFlow实战(十)卷积神经网络—VGG(16)神经网络
- 【神经网络与深度学习】卷积神经网络-进化史:从LeNet到AlexNet
- TensorFlow:实战Google深度学习框架(二)实现简单神经网络
- (尤其是训练集验证集的生成)深度学习 tensorflow 实战(2) 实现简单神经网络以及随机梯度下降算法S.G.D
- [action] deep learning 深度学习 tensorflow 实战(2) 实现简单神经网络以及随机梯度下降算法S.G.D
- TensorFlow 深度学习框架(9)-- 经典卷积网络模型 : LeNet-5 模型 & Inception-v3 模型
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow实现经典深度学习网络(7):TensorFlow实现双向长短时记忆循环神经网络
- TensorFlow 深度学习框架 (1)-- 神经网络与前向传播
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- TensorFlow深度学习笔记 循环神经网络实践
- TensorFlow 深度学习框架(9)-- 经典卷积网络模型 : LeNet-5 模型 & Inception-v3 模型
- TensorFlow 深度学习框架 (1)-- 神经网络与前向传播
- TensorFlow 深度学习框架 (1)-- 神经网络与前向传播
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- 深度学习(08)_RNN-LSTM循环神经网络-03-Tensorflow进阶实现
- 深度学习 2 机器学习 神经网络 卷积神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络