tensorflow5-构造简单的卷积神经网络

网络结构：

输入 -->  卷积层1 --> 池化层1 --> 卷积层2 --> 池化层2  --> 全连接层1 -- 全连接层1 -->输出层

图片大小的尺度变化：

输入 : 784*1

卷积层1 ： 28*28*32

池化层1  ： 14*14*32

卷积层2 ： 14*14*64

池化层2  ： 7*7*64

全连接层1 ： 1024

全连接层2 ： 10

代码如下所示：

# -*- coding: utf-8 -*- """ Created on Thu May 23 20:37:23 2019 @author: 666 """ import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) #设置批次 batch_size = 10 #计算一共有多少个批次 n_batch = mnist.train.num_examples #初始化权值 def weight_variable(shape): return tf.Variable(tf.truncated_normal(shape,stddev=0.1)) #初始化偏置项 def bias_variable(shape): return tf.Variable(tf.constant(0.1,shape = shape)) #卷积层 def cov2d(x,W): return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') #池化层 def max_pooling_2x2(x): return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') #定义两个placeholder x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) #对x进行变形操作，本来是784*1的向量，需要变成4D的向量，[batch(批次)，in_height（高）,in_weight（宽）,channel（通道）] x_image = tf.reshape(x,[-1,28,28,1]) #初始化第一个卷积的权值和偏置项 W_cov1 = weight_variable([5,5,1,32]) b_cov1 = bias_variable([32]) #进行第一层卷积，并用激活函数激活 h_conv1 = tf.nn.relu(cov2d(x_image,W_cov1) + b_cov1) h_pool1 = max_pooling_2x2(h_conv1) #初始化第一个卷积的权值和偏置项 W_cov2 = weight_variable([5,5,32,64]) b_cov2 = bias_variable([64]) #进行第二层卷积，并用激活函数激活 h_conv2 = tf.nn.relu(cov2d(h_pool1,W_cov2) + b_cov2) h_pool2 = max_pooling_2x2(h_conv2) #部分数据的计算 #经过第一个卷积层，图片大小不变，为 28*28 #经过第一个池化层 2*2，图片大小变为 14*14 #经过第二个卷积层，图片大小不变，为 14*14 #经过第二个池化层 2*2，图片大小变为 7*7 #经过上述操作，一共产生了64张 7*7 的图片 #初始化第一个全连接层 W_fc1 = weight_variable([7*7*64,1024]) b_fc1 = bias_variable([1024]) #将池化层2扁平为1维 h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64]) #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) #dropout keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob) #始化第一个全连接层 W_fc2 = weight_variable([1024,10]) b_fc2 = bias_variable([10]) #计算输出 prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2) + b_fc2) #定义交叉熵 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #定义优化器 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) #结果存入bool类型的值 correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(y,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) config = tf.ConfigProto() config.gpu_options.allow_growth = True with tf.Session(config = config) 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}) print('Iter '+ str(epoch) + ", Test accuracy = "+str(acc))

结果如图所示：

哈哈哈，并没有，别问我为什么，我需要一个1080t