代碼

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('MNIST_data', one_hot=True)sess = tf.InteractiveSession()#訓練數據 x = tf.placeholder("float", shape=[None, 784]) #訓練標簽數據 y_ = tf.placeholder("float", shape=[None, 10]) #把x更改為4維張量，第1維代表樣本數量，第2維和第3維代表圖像長寬， 第4維代表圖像通道數, 1表示黑白 x_image = tf.reshape(x, [-1,28,28,1])#第一層：卷積層 conv1_weights = tf.get_variable("conv1_weights", [5, 5, 1, 32], initializer=tf.truncated_normal_initializer(stddev=0.1)) #過濾器大小為5*5, 當前層深度為1， 過濾器的深度為32 conv1_biases = tf.get_variable("conv1_biases", [32], initializer=tf.constant_initializer(0.0)) conv1 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 1, 1, 1], padding='SAME') #移動步長為1, 使用全0填充 relu1 = tf.nn.relu( tf.nn.bias_add(conv1, conv1_biases) ) #激活函數Relu去線性化#第二層：最大池化層 #池化層過濾器的大小為2*2, 移動步長為2，使用全0填充 pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')#第三層：卷積層 conv2_weights = tf.get_variable("conv2_weights", [5, 5, 32, 64], initializer=tf.truncated_normal_initializer(stddev=0.1)) #過濾器大小為5*5, 當前層深度為32， 過濾器的深度為64 conv2_biases = tf.get_variable("conv2_biases", [64], initializer=tf.constant_initializer(0.0)) conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding='SAME') #移動步長為1, 使用全0填充 relu2 = tf.nn.relu( tf.nn.bias_add(conv2, conv2_biases) )#第四層：最大池化層 #池化層過濾器的大小為2*2, 移動步長為2，使用全0填充 pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')#第五層：全連接層 fc1_weights = tf.get_variable("fc1_weights", [7 * 7 * 64, 1024], initializer=tf.truncated_normal_initializer(stddev=0.1)) #7*7*64=3136把前一層的輸出變成特征向量 fc1_baises = tf.get_variable("fc1_baises", [1024], initializer=tf.constant_initializer(0.1)) pool2_vector = tf.reshape(pool2, [-1, 7 * 7 * 64]) fc1 = tf.nn.relu(tf.matmul(pool2_vector, fc1_weights) + fc1_baises)#為了減少過擬合，加入Dropout層 keep_prob = tf.placeholder(tf.float32) fc1_dropout = tf.nn.dropout(fc1, keep_prob)#第六層：全連接層 fc2_weights = tf.get_variable("fc2_weights", [1024, 10], initializer=tf.truncated_normal_initializer(stddev=0.1)) #神經元節點數1024, 分類節點10 fc2_biases = tf.get_variable("fc2_biases", [10], initializer=tf.constant_initializer(0.1)) fc2 = tf.matmul(fc1_dropout, fc2_weights) + fc2_biases#第七層：輸出層 # softmax y_conv = tf.nn.softmax(fc2)#定義交叉熵損失函數 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))#選擇優化器，并讓優化器最小化損失函數/收斂, 反向傳播 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)# tf.argmax()返回的是某一維度上其數據最大所在的索引值，在這里即代表預測值和真實值 # 判斷預測值y和真實值y_中最大數的索引是否一致，y的值為1-10概率 correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))# 用平均值來統計測試準確率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#開始訓練 sess.run(tf.global_variables_initializer()) for i in range(10000):batch = mnist.train.next_batch(100)if i%100 == 0:train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0}) #評估階段不使用Dropoutprint("step %d, training accuracy %g" % (i, train_accuracy))train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) #訓練階段使用50%的Dropout#在測試數據上測試準確率 print("test accuracy %g" % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

最終準確率

比直接使用SoftMax的91%要好很多。

總結

以上是生活随笔為你收集整理的TensorFlow MNIST CNN LeNet5模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。