6-2卷積神經網絡應用于MNIST分類

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

mnist=input_data.read_data_sets('MNIST_data',one_hot=True)

#每個批次的大小

batch_size=100

#計算一共有多少個批次

n_batch=mnist.train.num_examples//batch_size

#初始化權值

def weight_variable(shape):

    initial=tf.truncated_normal(shape,stddev=0.1)  # 生成一個截斷的正太分布

    return tf.Variable(initial)

#初始化偏置

def bias_variable(shape):

    initial=tf.constant(0.1,shape=shape)

    return tf.Variable(initial)

#卷積層

def conv2d(x,W):

    # x input tensor of shape  [batch,in_height,in_width,in_channels]

    # W filter/kernel tensor of shape  [filter_height,filter_width,in_channels,out_channels]

    # stride[0]=stride[3]=1  stride[1]、stride[2]分别代表x方向、y方向的步長

    # padding: 'SAME'、'VALID'

    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#池化層

def max_pool_2x2(x):

    # ksize [1,x,y,1]

    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#定義兩個placeholder

x=tf.placeholder(tf.float32,[None,784]) # 28*28

y=tf.placeholder(tf.float32,[None,10])

# 改變x的格式轉為4D的向量 [batch,in_height,in_width,in_channels]

x_image=tf.reshape(x,[-1,28,28,1])

#初始化第一個卷積層的權值和偏置

W_conv1=weight_variable([5,5,1,32])  # 5*5的采樣視窗，32個卷積核從一個平面抽取特征

b_conv1=bias_variable([32])

#把x_image和權值向量進行卷積，再加上偏置值，然後應用于relu激活函數

h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)

h_pool1=max_pool_2x2(h_conv1)

#初始化第二個卷積層的權值和偏置

W_conv2=weight_variable([5,5,32,64])

b_conv2=bias_variable([64])

#把h_pool1和權值向量進行卷積，再加上偏置值，然後應用于relu激活函數

h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)

h_pool2=max_pool_2x2(h_conv2)

# 28*28的圖檔第一次卷積後還是28*28，第一次池化後變為14*14

# 第二次卷積後為14*14，第二次池化後變為了7*7

# 經過上面操作後得到64張7*7的平面

# 把池化層的輸出扁平化為1維

h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])

#初始化第一個全連接配接層的權值

W_fc1=weight_variable([7*7*64,1024])

b_fc1=bias_variable([1024])

h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)

# keep_prob用來表示神經元的輸出機率

keep_prob=tf.placeholder(tf.float32)

h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)

#初始化第二個全連接配接層

W_fc2=weight_variable([1024,10])

b_fc2=bias_variable([10])

#計算輸出

prediction=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

#交叉熵代價函數

cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用AdamOptimizer進行優化

train_step=tf.train.AdadeltaOptimizer(1e-4).minimize(cross_entropy)

#結果放在一個布爾型清單中

correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))

#求準确率

accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    for epoch in range(21):

        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})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})cc

        print("Iter "+str(epoch)+", Testing Accuracy= "+str(acc))