importtensorflow as tf

tf.reset_default_graph()#配置神經網絡的參數

INPUT_NODE = 784OUTPUT_NODE= 10IMAGE_SIZE= 28NUM_CHANNELS= 1NUM_LABELS= 10

#第一層卷積層的尺寸和深度

CONV1_DEEP = 32CONV1_SIZE= 5

#第二層卷積層的尺寸和深度

CONV2_DEEP = 64CONV2_SIZE= 5

#全連接層的節點個數

FC_SIZE = 512

#定義卷積神經網絡的前向傳播過程。這里添加了一個新的參數train，用于區分訓練過程和測試過程#在這個程序中將用到dropout方法，dropout方法可以進一步提升模型可靠性并防止過擬合#dropout過程只在訓練時使用

definference(input_tensor, train, regularizer):#聲明第一層卷積層的變量并實現前向傳播過程。

#通過使用不同的命名空間來隔離不同層的變量，這可以讓每一層中的變量命名

#只需要考慮當前層的作用，而不需要擔心重命名的問題。和標準LeNet-5模型不大一樣，

#這里定義的卷積層輸入為28*28*1的原始MNIST圖片像素，因為卷積層中使用了全0填充

#所以輸出為28*28*32的矩陣

with tf.variable_scope('layer1-conv1'):

conv1_weights= tf.get_variable("weight",

[CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_DEEP],

initializer=tf.truncated_normal_initializer(stddev=0.1)

)

conv1_biases= tf.get_variable("bias", [CONV1_DEEP], initializer=tf.constant_initializer(0.0))#使用邊長為5，深度為32的過濾器，過濾器移動的步長為1，且使用全0填充

conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding='SAME')

relu1=tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))#實現第二城池化層的前向傳播過程。這里選用最大池化層，池化層過濾器的邊長為2，

#使用全0填充且移動的步長為2.這一層的輸入是上一層的輸出，也就是28*28*32

#的矩陣。輸出為14*14*32的矩陣

with tf.name_scope('layer2-pool1'):

pool1= tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')#聲明第三層卷積層的變量并實現前向傳播過程。這一層輸入為14*14*32的矩陣

#輸出為14*14*64的矩陣

with tf.variable_scope('layer3-conv2'):

conv2_weights= tf.get_variable("weight", [CONV2_SIZE, CONV2_SIZE, CONV1_DEEP, CONV2_DEEP],

initializer=tf.truncated_normal_initializer(stddev=0.1))

conv2_biases= tf.get_variable("bias", [CONV2_DEEP], initializer=tf.constant_initializer(0.0))#使用邊長為5，深度為64的過濾器，過濾器移動的步長為1，且使用全0填充

conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding='SAME')

relu2=tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))#實現第四層池化層的前向傳播過程。這一層和第二層的結構是一樣的。這一層的輸入為

#14*14*64的矩陣，輸出為7*7*64的矩陣

with tf.name_scope('layer4-pool2'):

pool2= tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')#將第四層池化層的輸出轉化為第五層全連接層的輸入格式，第四層的輸出為7*7*64的矩陣

#然而第五層全連接層需要的輸入格式為向量，所以在這里需要將這個7*7*64的矩陣拉直成一個向量

#pool2.get_shape函數可以得到第四層輸出矩陣的維度而不需要手工計算

#注意因為每一層神經網絡的輸入輸出都為一個batch的矩陣，所以這里得到的維度也包含了一個batch中數據的個數

pool_shape =pool2.get_shape().as_list()#計算將矩陣拉直成向量之后的長度，這個長度就是矩陣長寬及深度的乘積。注意在這里pool_shape[0]為一個batch中數據的個數

nodes = pool_shape[1] * pool_shape[2] * pool_shape[3]#通過tf.reshape函數將第四層的輸出變成一個batch向量

reshaped =tf.reshape(pool2, [pool_shape[0], nodes])#聲明第五層全連接的變量并實現前向傳播過程。這一層的輸入是拉直之后的一組向量

#向量長度為3136，輸出是一組長度為512的向量。

#引入了dropout的概念,dropout在訓練時會隨機將部分節點的輸出改為0

#dropout可以避免過擬合問題，從而使得模型在測試數據上的效果更好

#dropout一般只在全連接層而不是卷積層或者池化層使用

with tf.variable_scope('layer5-fc1'):

fc1_weights= tf.get_variable("weight", [nodes, FC_SIZE],

initializer=tf.truncated_normal_initializer(stddev=0.1))#只用全連接層的權重需要加入正則化

if regularizer !=None:

tf.add_to_collection('losses', regularizer(fc1_weights))

fc1_biases= tf.get_variable("bias", [FC_SIZE], initializer=tf.constant_initializer(0.1))

fc1= tf.nn.relu(tf.matmul(reshaped, fc1_weights) +fc1_biases)iftrain:

fc1= tf.nn.dropout(fc1, 0.5)#聲明第六層的變量并實現前向傳播過程。這一層的輸入為一組長度為512的向量

#輸出為一組長度為10的向量。這一層的輸出通過Softmax之后就得到了最后的分類結果

with tf.variable_scope('layer6-fc2'):

fc2_weights= tf.get_variable("weight", [FC_SIZE, NUM_LABELS],

initializer=tf.truncated_normal_initializer(stddev=0.1))if regularizer !=None:

tf.add_to_collection('losses', regularizer(fc2_weights))

fc2_biases= tf.get_variable("bias", [NUM_LABELS], initializer=tf.constant_initializer(0.1))

logit= tf.matmul(fc1, fc2_weights) +fc2_biasesreturnlogitimportosimportnumpy as npfrom tensorflow.examples.tutorials.mnist importinput_data#配置神經網絡的參數

BATCH_SIZE = 100LEARNING_RATE_BASE= 0.8LEARNING_RATE_DECAY= 0.99REGULARAZTION_RATE= 0.0001TRAINING_STEPS= 20000MOVING_AVERAGE_DECAY= 0.99

#模型保存的路徑和文件名

MODEL_SAVE_PATH = "E:\\MNIST_data\\"MODEL_NAME= "model1.ckpt"

deftrain(mnist):#定義輸入輸出placeholder

x = tf.placeholder(tf.float32, [BATCH_SIZE,#第一維表示一個batch中樣例的個數

IMAGE_SIZE,

IMAGE_SIZE,#第二維和第三維表示圖片的尺寸

NUM_CHANNELS], #第四維表示圖片的深度，對于RGB格式的圖片，深度為5

name='x-input')

y_= tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')

regularizer=tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)#直接使用inference中定義的前向傳播過程

y =inference(x, True, regularizer)

global_step= tf.Variable(0, trainable=False)#定義損失函數、學習率、滑動平均操作以及訓練過程

variable_averages =tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)

variable_averages_op=variable_averages.apply(tf.trainable_variables())

cross_entropy= tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))

cross_entropy_mean=tf.reduce_mean(cross_entropy)

loss= cross_entropy_mean + tf.add_n(tf.get_collection('losses'))

learning_rate= tf.train.exponential_decay(LEARNING_RATE_BASE, global_step, mnist.train.num_examples /BATCH_SIZE,

LEARNING_RATE_DECAY)

train_step= tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step);

with tf.control_dependencies([train_step, variable_averages_op]):

train_op= tf.no_op(name='train')#初始化Tensorflow持久化類

saver =tf.train.Saver()

with tf.Session() as sess:

tf.global_variables_initializer().run()#在訓練過程中不再測試模型在驗證數據上的表現，驗證和測試的過程將會有一個獨立的程序來完成

for i inrange(TRAINING_STEPS):

xs, ys=mnist.train.next_batch(BATCH_SIZE)

reshaped_xs=np.reshape(xs, (BATCH_SIZE,

IMAGE_SIZE,

IMAGE_SIZE,

NUM_CHANNELS))

_, loss_value, step= sess.run([train_op, loss, global_step], feed_dict={x: reshaped_xs, y_: ys})#每40輪保存一次模型

if i % 40 ==0:#輸出當前訓練情況。這里只輸出了模型在當前訓練batch上的損失函數大小

#通過損失函數的大小可以大概了解訓練的情況。在驗證數據集上的正確率信息

#會有一個單獨的程序來生成

print("After %d training step(s),loss on training batch is %g" %(step, loss_value))#保存當前的模型。注意這里給出了global_step參數，這樣可以讓每個被保存模型的文件末尾加上訓練的輪數

#比如"model1.ckpt-41"表示訓練41輪之后得到的模型

saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)def main(argv=None):

mnist= input_data.read_data_sets("E:\\MNIST_data", one_hot=True)

train(mnist)

main()#if __name__ == '__main__':#main()

總結

以上是生活随笔為你收集整理的python实现lenet_吴裕雄 python 神经网络TensorFlow实现LeNet模型处理手写数字识别MNIST数据集...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。