python tensorflow基于cnn实现手写数字识别

 # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 加载数据集 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) # 以交互式方式启动session # 如果不使用交互式session，则在启动session前必须 # 构建整个计算图，才能启动该计算图 sess = tf.InteractiveSession() """构建计算图""" # 通过占位符来为输入图像和目标输出类别创建节点 # shape参数是可选的，有了它tensorflow可以自动捕获维度不一致导致的错误 x = tf.placeholder("float", shape=[None, 784]) # 原始输入 y_ = tf.placeholder("float", shape=[None, 10]) # 目标值 # 为了不在建立模型的时候反复做初始化操作， # 我们定义两个函数用于初始化 def weight_variable(shape): # 截尾正态分布,stddev是正态分布的标准偏差 initial = tf.truncated_normal(shape=shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) # 卷积核池化,步长为1,0边距 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') """第一层卷积""" # 由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征，是因为使用32个滤波器进行卷积 # 卷积的权重张量形状是[5, 5, 1, 32],1是输入通道的个数，32是输出通道个数 W_conv1 = weight_variable([5, 5, 1, 32]) # 每一个输出通道都有一个偏置量 b_conv1 = bias_variable([32]) # 位了使用卷积，必须将输入转换成4维向量，2、3维表示图片的宽、高 # 最后一维表示图片的颜色通道（因为是灰度图像所以通道数维1，RGB图像通道数为3） x_image = tf.reshape(x, [-1, 28, 28, 1]) # 第一层的卷积结果,使用Relu作为激活函数 h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1)) # 第一层卷积后的池化结果 h_pool1 = max_pool_2x2(h_conv1) """第二层卷积""" W_conv2 = weight_variable([5, 5, 32, 64]) b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) """全连接层""" # 图片尺寸减小到7*7，加入一个有1024个神经元的全连接层 W_fc1 = weight_variable([7*7*64, 1024]) b_fc1 = bias_variable([1024]) # 将最后的池化层输出张量reshape成一维向量 h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) # 全连接层的输出 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) """使用Dropout减少过拟合""" # 使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率 # 在训练的过程中启用dropout，在测试过程中关闭dropout keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) """输出层""" W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) # 模型预测输出 y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) # 交叉熵损失 cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv)) # 模型训练,使用AdamOptimizer来做梯度最速下降 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 正确预测,得到True或False的List correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1)) # 将布尔值转化成浮点数，取平均值作为精确度 accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) # 在session中先初始化变量才能在session中调用 sess.run(tf.global_variables_initializer()) # 迭代优化模型 for i in range(2000): # 每次取50个样本进行训练 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}) # 模型中间不使用dropout print("step %d, training 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}))