神经网络学习小记录1——利用tensorflow构建卷积神经网络（CNN）

拼搏现实的明天。 2021-11-23 04:32 616阅读 0赞

神经网络学习小记录1——利用tensorflow构建卷积神经网络（CNN）

  • 学习前言
    • 简介
    • 隐含层介绍
      • 1、卷积层
      • 2、池化层
      • 3、全连接层
    • 具体实现代码
      • 卷积层、池化层与全连接层实现代码
      • 全部代码

学习前言

学习神经网络已经有一段时间，从普通的BP神经网络到LSTM长短期记忆网络都有一定的了解，但是从未系统的把整个神经网络的结构记录下来，我相信这些小记录可以帮助我更加深刻的理解神经网络。
在这里插入图片描述

简介

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
其主要结构分为输入层、隐含层、输出层。
在tensorboard中，其结构如图所示：
CNN
对于卷积神经网络而言，其输入层、输出层与平常的卷积神经网络无异。但其隐含层可以分为三个部分，分别是卷积层（对输入数据进行特征提取）、池化层（特征选择和信息过滤）、全连接层（等价于传统前馈神经网络中的隐含层）。

隐含层介绍

1、卷积层

卷积将输入图像放进一组卷积滤波器，每个滤波器激活图像中的某些特征。
假设一副黑白图像为5*5的大小，像这样：
示例
利用如下卷积器进行卷积：
示例
卷积结果为：
示例
卷积过程可以提取特征，卷积神经网络是根据特征来完成分类的。
在tensorflow中，卷积层的重要函数是：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)，其中：
1、input是输入量，shape是[batch, height, width, channels]。；
2、filter是使用的卷积核；
3、strides是步长，其格式[1,step,step,1]，step指的是在图像卷积的每一维的步长；
4、padding：string类型的量，只能是”SAME”,”VALID”其中之一，SAME表示卷积前后图像面积不变。

2、池化层

池化层用于在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。
常见的池化是最大池化，最大池化指的是取出这些被卷积后的数据的最大值，就是取出其最大特征。
假设其池化窗口为2X2，步长为2。
原图像为：
示例
池化后为：
示例
在tensorflow中，池化层的重要函数是：
tf.nn.max_pool(value, ksize, strides, padding, data_format, name)
1、value：池化层的输入，一般池化层接在卷积层后面，shape是[batch, height, width, channels]。
2、ksize：池化窗口的大小，取一个四维向量，一般是[1, in_height, in_width, 1]。
3、strides：和卷积类似，窗口在每一个维度上滑动的步长，也是[1, stride,stride, 1]。
4、padding：和卷积类似，可以取’VALID’ 或者’SAME’。

这是tensorboard中卷积层和池化层的连接结构：
卷积层池化层

3、全连接层

全连接层与普通神经网络的结构相同，如图所示：
全连接层

具体实现代码

卷积层、池化层与全连接层实现代码

  1. def conv2d(x,W,step,pad): #用于进行卷积，x为输入值，w为卷积核
  2.     return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)
  4. def max_pool_2X2(x,step,pad):    #用于池化，x为输入值，step为步数
  5.     return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)
  7. def weight_variable(shape):        #用于获得W
  8.     initial = tf.truncated_normal(shape,stddev = 0.1) #从截断的正态分布中输出随机值
  9.     return tf.Variable(initial)
  11. def bias_variable(shape):        #获得bias
  12.     initial = tf.constant(0.1,shape=shape)  #生成普通值
  13.     return tf.Variable(initial)
  15. def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):    
  16. #用于添加全连接层
  17.     layer_name = 'layer_%s'%n_layer
  18.     with tf.name_scope(layer_name):
  19.         with tf.name_scope("Weights"):
  20.             Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")
  21.             tf.summary.histogram(layer_name+"/weights",Weights)
  22.         with tf.name_scope("biases"):
  23.             biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
  24.             tf.summary.histogram(layer_name+"/biases",biases)
  25.         with tf.name_scope("Wx_plus_b"):
  26.             Wx_plus_b = tf.matmul(inputs,Weights) + biases
  27.             tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
  28.         if activation_function == None :
  29.             outputs = Wx_plus_b 
  30.         else:
  31.             outputs = activation_function(Wx_plus_b)
  32.         print(activation_function)
  33.         outputs = tf.nn.dropout(outputs,keep_prob)
  34.         tf.summary.histogram(layer_name+"/outputs",outputs)
  35.         return outputs
  37. def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):
  38. #用于生成卷积层和池化层
  39.     layer_name = 'layer_%s'%n_layer
  40.     with tf.name_scope(layer_name):
  41.         with tf.name_scope("Weights"):
  42.             W_conv = weight_variable([5,5,in_z_dim,out_z_dim])
  43.         with tf.name_scope("biases"):
  44.             b_conv = bias_variable([out_z_dim])
  45.         with tf.name_scope("conv"):
  46.         #卷积层
  47.             h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv) 
  48.         with tf.name_scope("pooling"):
  49.         #池化层
  50.             h_pool = max_pool_2X2(h_conv, pool_step, padding)
  51.     return h_pool

全部代码

  1. import tensorflow as tf 
  2. from tensorflow.examples.tutorials.mnist import input_data
  4. mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
  6. def conv2d(x,W,step,pad):
  7.     return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)
  9. def max_pool_2X2(x,step,pad):
  10.     return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)
  12. def weight_variable(shape):
  13.     initial = tf.truncated_normal(shape,stddev = 0.1) #从截断的正态分布中输出随机值
  14.     return tf.Variable(initial)
  16. def bias_variable(shape):
  17.     initial = tf.constant(0.1,shape=shape)  #生成普通值
  18.     return tf.Variable(initial)
  20. def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):
  21.     layer_name = 'layer_%s'%n_layer
  22.     with tf.name_scope(layer_name):
  23.         with tf.name_scope("Weights"):
  24.             Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")
  25.             tf.summary.histogram(layer_name+"/weights",Weights)
  26.         with tf.name_scope("biases"):
  27.             biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
  28.             tf.summary.histogram(layer_name+"/biases",biases)
  29.         with tf.name_scope("Wx_plus_b"):
  30.             Wx_plus_b = tf.matmul(inputs,Weights) + biases
  31.             tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
  32.         if activation_function == None :
  33.             outputs = Wx_plus_b 
  34.         else:
  35.             outputs = activation_function(Wx_plus_b)
  36.         print(activation_function)
  37.         outputs = tf.nn.dropout(outputs,keep_prob)
  38.         tf.summary.histogram(layer_name+"/outputs",outputs)
  39.         return outputs
  41. def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):
  42.     layer_name = 'layer_%s'%n_layer
  43.     with tf.name_scope(layer_name):
  44.         with tf.name_scope("Weights"):
  45.             W_conv = weight_variable([5,5,in_z_dim,out_z_dim])
  46.         with tf.name_scope("biases"):
  47.             b_conv = bias_variable([out_z_dim])
  48.         with tf.name_scope("conv"):
  49.             h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv) 
  50.         with tf.name_scope("pooling"):
  51.             h_pool = max_pool_2X2(h_conv, pool_step, padding)
  52.     return h_pool
  54. def compute_accuracy(x_data,y_data):
  55.     global prediction
  56.     y_pre = sess.run(prediction,feed_dict={
  57.     xs:x_data,keep_prob:1})
  59.     correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))
  61.     accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
  63.     result = sess.run(accuracy,feed_dict = {
  64.     xs:batch_xs,ys:batch_ys,keep_prob:1})
  65.     return result
  69. keep_prob = tf.placeholder(tf.float32)
  70. xs = tf.placeholder(tf.float32,[None,784])
  71. ys = tf.placeholder(tf.float32,[None,10])
  73. x_image = tf.reshape(xs,[-1,28,28,1])
  75. h_pool1 = add_cnn_layer(x_image, in_z_dim = 1, out_z_dim = 32, n_layer = "cnn1",)
  76. h_pool2 = add_cnn_layer(h_pool1, in_z_dim = 32, out_z_dim = 64, n_layer = "cnn2",)
  78. h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
  80. h_fc1_drop = add_layer(h_pool2_flat, 7*7*64, 1024, "layer1", activation_function = tf.nn.relu, keep_prob = keep_prob)
  81. prediction = add_layer(h_fc1_drop, 1024, 10, "layer2", activation_function = tf.nn.softmax, keep_prob = 1)
  83. with tf.name_scope("loss"):
  84.     loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')
  85.     tf.summary.scalar("loss",loss)
  87. train = tf.train.AdamOptimizer(1e-4).minimize(loss)
  88. init = tf.initialize_all_variables()
  90. merged = tf.summary.merge_all()
  92. with tf.Session() as sess:
  93.     sess.run(init)
  94.     write = tf.summary.FileWriter("logs/",sess.graph)
  95.     for i in range(5000):
  96.         batch_xs,batch_ys = mnist.train.next_batch(100)
  97.         sess.run(train,feed_dict = {
  98.     xs:batch_xs,ys:batch_ys,keep_prob:0.5})
  99.         if i % 100 == 0:
  100.             print(compute_accuracy(mnist.test.images,mnist.test.labels))

希望得到朋友们的喜欢。

有不懂的朋友可以评论询问噢。

发表评论

表情：
评论列表 （有 0 条评论，616人围观）

还没有评论，来说两句吧...

相关阅读

    相关 卷积神经网络CNN

    系列文章目录 上一篇文章简单的介绍了卷积神经网络及一些基础知识，比如说步长，填充，互相关运算等，这篇文章讲介绍卷积神经网络的组成及常见的几种神经网络。  [CNN简单介

    - 日理万妓- 日理万妓/ 0 赞/ 443 阅读