深度学习入门之第三章 神经网络 一个fashion-mnist图像识别网络
2019-02-22 20:06
260 查看
版权声明:版权归世界上所有无产阶级所有 https://blog.csdn.net/qq_41776781/article/details/87884312
前言我看书上介绍的是如果训练神经网络做图像识别的, 正好之前在21个深度学习项目之中 有用卷积神经网络做图像识别 所以就介绍一下我之前写的吧!!!!!书上介绍的思想主要是使用mlp做前向神经网络 但是现在mlp无论是在Image Recognition 还是GANs中, 都没有卷积神经网络好, 渐渐被淘汰了
分享之前我碰到一个问题, 代码是不会骗人的 我们看看Image Recognition和GANs之间的区别
在Image Recognition中最后一层softmax层输出的数据我们找到概率最大的数据 并且将其设置为1
但是在GANs中识别器最后一层输出的数据做交叉熵时, 我们希望真实数据全为1 生成的图像全为0
切记这两种方法的区别!!!!!少走点错路
[code]# Image Recognition 交叉熵使用的两个参数是 真实标签和最后全连接层输出的数据 loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv)) # GANs d_loss_real是真实数据的交叉熵 d_loss_fake是输入的是生成数据的交叉熵 d_loss_real = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(logits=D_real_logits, labels=tf.ones_like(D_real))) d_loss_fake = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(logits=D_fake_logits, labels=tf.zeros_like(D_fake)))
对于这个fashion mnist图像识别的程序而言,
每一层的操作是首先定义W(权重)和B(偏置),
然后对图像进行卷积操作,并使用relu做激活函数,对数据进行非线性转化
再然后是2*2的最大池化层
程序的最后一个全连接层将数据划分成10类
[code]import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) def conv2d(x, W): 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') if __name__ == '__main__': # 读入数据 mnist = input_data.read_data_sets("../../Dataset/fashion-mnist", one_hot=True) # x为训练图像的占位符、y_为训练图像标签的占位符 x = tf.placeholder(tf.float32, [None, 784]) y_ = tf.placeholder(tf.float32, [None, 10]) # 将单张图片从784维向量重新还原为28x28的矩阵图片 x_image = tf.reshape(x, [-1, 28, 28, 1]) ''' 经过实验可以知道卷积运算的时候 卷积核的high width channel是能够随意修改的 但是最后表示经过该层之后神经元的输出数目 其要和bias以及以及下一层的卷积层通道数相对应即可 最后重要的是tf.nn.conv2d第三个参数是不能随便修改的 不然会导致维度不对 ''' W_conv1 = weight_variable([6, 6, 1, 64]) b_conv1 = bias_variable([64]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) # 第二层卷积层 W_conv2 = weight_variable([5, 5, 64, 128]) b_conv2 = bias_variable([128]) h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) # 全连接层,输出为1024维的向量 W_fc1 = weight_variable([7 * 7 * 128, 1024]) b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 128]) h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) # 使用Dropout,keep_prob是一个占位符,训练时为0.5,测试时为1 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # 把1024维的向量转换成10维,对应10个类别 W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2 # 我们不采用先Softmax再计算交叉熵的方法,而是直接用tf.nn.softmax_cross_entropy_with_logits直接计算 loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv)) # 同样定义train_step optimizer = tf.train.AdamOptimizer(1e-4).minimize(loss) # 定义测试的准确率 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # 定义保存相关数据文件的模型 saver = tf.train.Saver(max_to_keep = 5) # 创建Session和变量初始化 sess = tf.InteractiveSession() sess.run(tf.global_variables_initializer()) choose_way_train = "train" if choose_way_train == "train": # 训练20000步 for i in range(20000): batch = mnist.train.next_batch(100) # 程序有个问题 无法确定程序进行到哪一步了 ''' 用于测试单个程序是否能够跑的通 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)) ''' #赋值的时候 等号前面的和等号后面的不能一样 train_accuracy, _, val_loss= sess.run([accuracy, optimizer, loss],feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0}) if i %100 ==0: print("step %d, val_loss %g" % (i, val_loss)) if i % 1000 == 0: global_step = i print("i have save kpt/mnist_%3d.ckpt"%global_step) saver.save(sess, 'ckpt/mnist_%3d.ckpt'%global_step) else: model_file = tf.train.latest_checkpoint('ckpt/') saver.restore(sess, model_file) for i in range(1000): batch = mnist.test.next_batch(50) if i%100 ==0: val_acc, val_loss = sess.run([accuracy,loss],feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0}) # 训练结束后报告在测试集上的准确度 print("test accuracy %f"% val_acc)
实验结果: 使用GPU的话 不到5分钟就已经训练完了 准确率是99.7% 所以现在mnist几乎都不用论文之中了 太简单 有兴趣的同学 可以在这个程序中加入一个画图程序 把结果画出来
[code]''' step 19100, val_loss 0.00158436 step 19200, val_loss 0.0086459 step 19300, val_loss 0.0232048 step 19400, val_loss 0.00513635 step 19500, val_loss 0.0242389 step 19600, val_loss 0.0272156 step 19700, val_loss 0.00483749 step 19800, val_loss 0.00234459 step 19900, val_loss 0.00342627 '''
相关文章推荐
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 深度学习-传统神经网络使用TensorFlow框架实现MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 深度学习入门实践_十行搭建手写数字识别神经网络
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 深度学习与神经网络实战:快速构建一个基于神经网络的手写数字识别系统
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet入门实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别
- 用MXnet实战深度学习之一:安装GPU版mxnet并跑一个MNIST手写数字识别 (zz)
- 损失函数减肥用_神经网络调权重(深度学习入门系列之六)
- Matlab图像识别/检索系列(7)-10行代码完成深度学习网络之取中间层数据作为特征
- 神经网络学习(七)MNIST手写字识别 --- Python实现