这里，我们将采用Tensor Flow内建函数实现简单的CNN，并用MNIST数据集进行测试

第1步：加载相应的库并创建计算图会话

import numpy as npimport tensorflow as tffrom tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_setsimport matplotlib.pyplot as plt #创建计算图会话sess = tf.Session()

第2步：加载MNIST数据集，这里采用TensorFlow自带数据集，MNIST数据为28×28的图像，因此将其转化为相应二维矩阵

#数据集data_dir = 'MNIST_data'mnist = read_data_sets(data_dir) train_xdata = np.array([np.reshape(x,[28,28]) for x in mnist.train.images] )test_xdata = np.array([np.reshape(x,[28,28]) for x in mnist.test.images] ) train_labels = mnist.train.labelstest_labels = mnist.test.labels

第3步：设置模型参数

这里采用随机批量训练的方法，每训练10次对测试集进行测试，共迭代1500次，学习率采用指数下降的方式，初始学习率为0.1,每训练10次，学习率乘0.9，为了进行对比，后面会给出固定学习率为0.01的损失曲线图和准确率图

#设置模型参数 batch_size = 100 #批量训练图像张数initial_learning_rate = 0.1 #学习率global_step = tf.Variable(0, trainable=False) ;learning_rate = tf.train.exponential_decay(initial_learning_rate, global_step=global_step, decay_steps=10,decay_rate=0.9) evaluation_size = 500 #测试图像张数 image_width = 28 #图像的宽和高image_height = 28 target_size = 10 #图像的目标为0~9共10个目标num_channels = 1 #灰度图，颜色通道为1generations = 1500 #迭代500次evaluation_step = 10 #每训练十次进行一次测试 conv1_features = 25 #卷积层的特征个数conv2_features = 50 max_pool_size1 = 2 #池化层大小max_pool_size2 = 2 fully_connected_size = 100 #全连接层的神经元个数

第4步：声明占位符，注意这里的目标y_target类型为int32整型

#声明占位符 x_input_shape = [batch_size,image_width,image_height,num_channels]x_input = tf.placeholder(tf.float32,shape=x_input_shape)y_target = tf.placeholder(tf.int32,shape=[batch_size]) evaluation_input_shape = [evaluation_size,image_width,image_height,num_channels]evaluation_input = tf.placeholder(tf.float32,shape=evaluation_input_shape)evaluation_target = tf.placeholder(tf.int32,shape=[evaluation_size])

第5步：声明卷积层和全连接层的权重和偏置，这里采用2层卷积层和1层隐含全连接层

#声明卷积层的权重和偏置#卷积层1#采用滤波器为4X4滤波器，输入通道为1，输出通道为25conv1_weight = tf.Variable(tf.truncated_normal([4,4,num_channels,conv1_features],stddev=0.1,dtype=tf.float32))conv1_bias = tf.Variable(tf.truncated_normal([conv1_features],stddev=0.1,dtype=tf.float32)) #卷积层2#采用滤波器为4X4滤波器，输入通道为25，输出通道为50conv2_weight = tf.Variable(tf.truncated_normal([4,4,conv1_features,conv2_features],stddev=0.1,dtype=tf.float32))conv2_bias = tf.Variable(tf.truncated_normal([conv2_features],stddev=0.1,dtype=tf.float32)) #声明全连接层权重和偏置 #卷积层过后图像的宽和高conv_output_width = image_width // (max_pool_size1 * max_pool_size2) #//表示整除conv_output_height = image_height // (max_pool_size1 * max_pool_size2) #全连接层的输入大小full1_input_size = conv_output_width * conv_output_height *conv2_features full1_weight = tf.Variable(tf.truncated_normal([full1_input_size,fully_connected_size],stddev=0.1,dtype=tf.float32))full1_bias = tf.Variable(tf.truncated_normal([fully_connected_size],stddev=0.1,dtype=tf.float32)) full2_weight = tf.Variable(tf.truncated_normal([fully_connected_size,target_size],stddev=0.1,dtype=tf.float32))full2_bias = tf.Variable(tf.truncated_normal([target_size],stddev=0.1,dtype=tf.float32))

第6步：声明CNN模型，这里的两层卷积层均采用Conv-ReLU-MaxPool的结构，步长为[1,1,1,1],padding为SAME

全连接层隐层神经元为100个，输出层为目标个数10

def my_conv_net(input_data): #第一层：Conv-ReLU-MaxPool conv1 = tf.nn.conv2d(input_data,conv1_weight,strides=[1,1,1,1],padding='SAME') relu1 = tf.nn.relu(tf.nn.bias_add(conv1,conv1_bias)) max_pool1 = tf.nn.max_pool(relu1,ksize=[1,max_pool_size1,max_pool_size1,1],strides=[1,max_pool_size1,max_pool_size1,1],padding='SAME') #第二层:Conv-ReLU-MaxPool conv2 = tf.nn.conv2d(max_pool1, conv2_weight, strides=[1, 1, 1, 1], padding='SAME') relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_bias)) max_pool2 = tf.nn.max_pool(relu2, ksize=[1, max_pool_size2, max_pool_size2, 1], strides=[1, max_pool_size2, max_pool_size2, 1], padding='SAME') #全连接层 #先将数据转化为1*N的形式 #获取数据大小 conv_output_shape = max_pool2.get_shape().as_list() #全连接层输入数据大小 fully_input_size = conv_output_shape[1]*conv_output_shape[2]*conv_output_shape[3] #这三个shape就是图像的宽高和通道数 full1_input_data = tf.reshape(max_pool2,[conv_output_shape[0],fully_input_size]) #转化为batch_size*fully_input_size二维矩阵 #第一层全连接 fully_connected1 = tf.nn.relu(tf.add(tf.matmul(full1_input_data,full1_weight),full1_bias)) #第二层全连接输出 model_output = tf.nn.relu(tf.add(tf.matmul(fully_connected1,full2_weight),full2_bias))#shape = [batch_size,target_size] return model_output model_output = my_conv_net(x_input)test_model_output = my_conv_net(evaluation_input)

第7步：定义损失函数，这里采用softmax函数作为损失函数

#损失函数 loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=model_output,labels=y_target))

第8步：建立测评与评估函数，这里对输出层进行softmax，再通过np.argmax找出每行最大的数所在位置，再与目标值进行比对，统计准确率

#预测与评估prediction = tf.nn.softmax(model_output)test_prediction = tf.nn.softmax(test_model_output) def get_accuracy(logits,targets): batch_predictions = np.argmax(logits,axis=1)#返回每行最大的数所在位置 num_correct = np.sum(np.equal(batch_predictions,targets)) return 100*num_correct/batch_predictions.shape[0]

第9步：初始化模型变量并创建优化器

#创建优化器opt = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)train_step = opt.minimize(loss) #初始化变量init = tf.initialize_all_variables()sess.run(init)

第10步：随机批量训练并进行绘图

#开始训练 train_loss = []train_acc = []test_acc = []Learning_rate_vec = []for i in range(generations): rand_index = np.random.choice(len(train_xdata),size=batch_size) rand_x = train_xdata[rand_index] rand_x = np.expand_dims(rand_x,3) rand_y = train_labels[rand_index] Learning_rate_vec.append(sess.run(learning_rate, feed_dict={global_step: i})) train_dict = {x_input:rand_x,y_target:rand_y} sess.run(train_step,feed_dict={x_input:rand_x,y_target:rand_y,global_step:i}) temp_train_loss = sess.run(loss,feed_dict=train_dict) temp_train_prediction = sess.run(prediction,feed_dict=train_dict) temp_train_acc = get_accuracy(temp_train_prediction,rand_y) #测试集 if (i+1)%evaluation_step ==0: eval_index = np.random.choice(len(test_xdata),size=evaluation_size) eval_x = test_xdata[eval_index] eval_x = np.expand_dims(eval_x,3) eval_y = test_labels[eval_index] test_dict = {evaluation_input:eval_x,evaluation_target:eval_y} temp_test_preds = sess.run(test_prediction,feed_dict=test_dict) temp_test_acc = get_accuracy(temp_test_preds,eval_y) test_acc.append(temp_test_acc) train_acc.append(temp_train_acc) train_loss.append(temp_train_loss) #画损失曲线fig = plt.figure()ax = fig.add_subplot(111)ax.plot(train_loss,'k-')ax.set_xlabel('Generation')ax.set_ylabel('Softmax Loss')fig.suptitle('Softmax Loss per Generation') #画准确度曲线index = np.arange(start=1,stop=generations+1,step=evaluation_step)fig2 = plt.figure()ax2 = fig2.add_subplot(111)ax2.plot(train_acc,'k-',label='Train Set Accuracy')ax2.plot(index,test_acc,'r--',label='Test Set Accuracy')ax2.set_xlabel('Generation')ax2.set_ylabel('Accuracy')fig2.suptitle('Train and Test Set Accuracy') #画图fig3 = plt.figure()actuals = rand_y[0:6]train_predictions = np.argmax(temp_train_prediction,axis=1)[0:6]images = np.squeeze(rand_x[0:6])Nrows = 2Ncols =3 for i in range(6): ax3 = fig3.add_subplot(Nrows,Ncols,i+1) ax3.imshow(np.reshape(images[i],[28,28]),cmap='Greys_r') ax3.set_title('Actual: '+str(actuals[i]) +' pred: '+str(train_predictions[i])) #画学习率fig4 = plt.figure()ax4 = fig4.add_subplot(111)ax4.plot(Learning_rate_vec,'k-')ax4.set_xlabel('step')ax4.set_ylabel('Learning_rate')fig4.suptitle('Learning_rate') plt.show()

下面给出固定学习率图像和学习率随迭代次数下降的图像：

首先给出固定学习率图像：

下面是损失曲线

下面是准确率

我们可以看出，固定学习率损失函数下降速度较缓，同时其最终准确率为80%~90%之间就不再提高了

下面给出学习率随迭代次数降低的曲线：

首先给出学习率随迭代次数降低的损失曲线

然后给出相应的准确率曲线

我们可以看出其损失函数下降很快，同时准确率也可以达到90%以上

下面给出随机抓取的图像相应的识别情况：

至此我们实现了简单的CNN来实现MNIST手写图数据集的识别，如果想进一步提高其准确率，可以通过改变CNN网络参数，如通道数、全连接层神经元个数，过滤器大小，学习率，训练次数，加入dropout层等等，也可以通过增加CNN网络深度来进一步提高其准确率

下面给出一组参数：

初始学习率：initial_learning_rate=0.05

迭代步长：decay_steps=50，每50步改变一次学习率

下面是仿真结果：

我们可以看出，通过调整超参数，其既保证了损失函数能够快速下降，又进一步提高了其模型准确率，我们在训练次数为1500次的基础上，准确率已经达到97%以上。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。