學習前言

創(chuàng)新互聯(lián)自2013年起，先為化德等服務建站，化德等地企業(yè)，進行企業(yè)商務咨詢服務。為化德企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務解決您的所有建站問題。

學習神經(jīng)網(wǎng)絡已經(jīng)有一段時間，從普通的BP神經(jīng)網(wǎng)絡到LSTM長短期記憶網(wǎng)絡都有一定的了解，但是從未系統(tǒng)的把整個神經(jīng)網(wǎng)絡的結構記錄下來，我相信這些小記錄可以幫助我更加深刻的理解神經(jīng)網(wǎng)絡。

簡介

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks, CNN)是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡(Feedforward Neural Networks)，是深度學習(deep learning)的代表算法之一。

其主要結構分為輸入層、隱含層、輸出層。

在tensorboard中，其結構如圖所示：

對于卷積神經(jīng)網(wǎng)絡而言，其輸入層、輸出層與平常的卷積神經(jīng)網(wǎng)絡無異。但其隱含層可以分為三個部分，分別是卷積層(對輸入數(shù)據(jù)進行特征提取)、池化層(特征選擇和信息過濾)、全連接層(等價于傳統(tǒng)前饋神經(jīng)網(wǎng)絡中的隱含層)。

隱含層介紹

1、卷積層

卷積將輸入圖像放進一組卷積濾波器，每個濾波器激活圖像中的某些特征。

假設一副黑白圖像為5*5的大小，像這樣：

利用如下卷積器進行卷積：

卷積結果為：

卷積過程可以提取特征，卷積神經(jīng)網(wǎng)絡是根據(jù)特征來完成分類的。

在tensorflow中，卷積層的重要函數(shù)是：

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)，其中：

1、input是輸入量，shape是[batch, height, width, channels]。;

2、filter是使用的卷積核;

3、strides是步長，其格式[1,step,step,1]，step指的是在圖像卷積的每一維的步長;

4、padding：string類型的量，只能是"SAME","VALID"其中之一，SAME表示卷積前后圖像面積不變。

2、池化層

池化層用于在卷積層進行特征提取后，輸出的特征圖會被傳遞至池化層進行特征選擇和信息過濾。

常見的池化是大池化，大池化指的是取出這些被卷積后的數(shù)據(jù)的大值，就是取出其大特征。

假設其池化窗口為2X2，步長為2。

原圖像為：

池化后為：

在tensorflow中，池化層的重要函數(shù)是：

tf.nn.max_pool(value, ksize, strides, padding, data_format, name)

1、value：池化層的輸入，一般池化層接在卷積層后面，shape是[batch, height, width, channels]。

2、ksize：池化窗口的大小，取一個四維向量，一般是[1, in_height, in_width, 1]。

3、strides：和卷積類似，窗口在每一個維度上滑動的步長，也是[1, stride,stride, 1]。

4、padding：和卷積類似，可以取’VALID’ 或者’SAME’。

這是tensorboard中卷積層和池化層的連接結構：

3、全連接層

全連接層與普通神經(jīng)網(wǎng)絡的結構相同，如圖所示：

具體實現(xiàn)代碼

卷積層、池化層與全連接層實現(xiàn)代碼

def conv2d(x,W,step,pad): #用于進行卷積，x為輸入值，w為卷積核

return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)

def max_pool_2X2(x,step,pad): #用于池化，x為輸入值，step為步數(shù)

return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)

def weight_variable(shape): #用于獲得W

initial = tf.truncated_normal(shape,stddev = 0.1) #從截斷的正態(tài)分布中輸出隨機值

return tf.Variable(initial)

def bias_variable(shape): #獲得bias

initial = tf.constant(0.1,shape=shape) #生成普通值

return tf.Variable(initial)

def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

#用于添加全連接層

layer_name = 'layer_%s'%n_layer

with tf.name_scope(layer_name):

with tf.name_scope("Weights"):

Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")

tf.summary.histogram(layer_name+"/weights",Weights)

with tf.name_scope("biases"):

biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

tf.summary.histogram(layer_name+"/biases",biases)

with tf.name_scope("Wx_plus_b"):

Wx_plus_b = tf.matmul(inputs,Weights) + biases

tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

if activation_function == None :

outputs = Wx_plus_b

else:

outputs = activation_function(Wx_plus_b)

print(activation_function)

outputs = tf.nn.dropout(outputs,keep_prob)

tf.summary.histogram(layer_name+"/outputs",outputs)

return outputs

def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):

#用于生成卷積層和池化層

layer_name = 'layer_%s'%n_layer

with tf.name_scope(layer_name):

with tf.name_scope("Weights"):

W_conv = weight_variable([5,5,in_z_dim,out_z_dim])

with tf.name_scope("biases"):

b_conv = bias_variable([out_z_dim])

with tf.name_scope("conv"):

#卷積層

h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv)

with tf.name_scope("pooling"):

#池化層

h_pool = max_pool_2X2(h_conv, pool_step, padding)

return h_pool

全部代碼

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")

def conv2d(x,W,step,pad):

return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)

def max_pool_2X2(x,step,pad):

return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)

def weight_variable(shape):

initial = tf.truncated_normal(shape,stddev = 0.1) #從截斷的正態(tài)分布中輸出隨機值

return tf.Variable(initial)

def bias_variable(shape):

initial = tf.constant(0.1,shape=shape) #生成普通值

return tf.Variable(initial)無錫人流醫(yī)院 http://www.0510bhyy.com/

def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

layer_name = 'layer_%s'%n_layer

with tf.name_scope(layer_name):

with tf.name_scope("Weights"):

Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")

tf.summary.histogram(layer_name+"/weights",Weights)

with tf.name_scope("biases"):

biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

tf.summary.histogram(layer_name+"/biases",biases)

with tf.name_scope("Wx_plus_b"):

Wx_plus_b = tf.matmul(inputs,Weights) + biases

tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

if activation_function == None :

outputs = Wx_plus_b

else:

outputs = activation_function(Wx_plus_b)

print(activation_function)

outputs = tf.nn.dropout(outputs,keep_prob)

tf.summary.histogram(layer_name+"/outputs",outputs)

return outputs

def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):

layer_name = 'layer_%s'%n_layer

with tf.name_scope(layer_name):

with tf.name_scope("Weights"):

W_conv = weight_variable([5,5,in_z_dim,out_z_dim])

with tf.name_scope("biases"):

b_conv = bias_variable([out_z_dim])

with tf.name_scope("conv"):

h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv)

with tf.name_scope("pooling"):

h_pool = max_pool_2X2(h_conv, pool_step, padding)

return h_pool

def compute_accuracy(x_data,y_data):

global prediction

y_pre = sess.run(prediction,feed_dict={xs:x_data,keep_prob:1})

correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

result = sess.run(accuracy,feed_dict = {xs:batch_xs,ys:batch_ys,keep_prob:1})

return result

keep_prob = tf.placeholder(tf.float32)

xs = tf.placeholder(tf.float32,[None,784])

ys = tf.placeholder(tf.float32,[None,10])

x_image = tf.reshape(xs,[-1,28,28,1])

h_pool1 = add_cnn_layer(x_image, in_z_dim = 1, out_z_dim = 32, n_layer = "cnn1",)

h_pool2 = add_cnn_layer(h_pool1, in_z_dim = 32, out_z_dim = 64, n_layer = "cnn2",)

h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])

h_fc1_drop = add_layer(h_pool2_flat, 7*7*64, 1024, "layer1", activation_function = tf.nn.relu, keep_prob = keep_prob)

prediction = add_layer(h_fc1_drop, 1024, 10, "layer2", activation_function = tf.nn.softmax, keep_prob = 1)

with tf.name_scope("loss"):

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')

tf.summary.scalar("loss",loss)

train = tf.train.AdamOptimizer(1e-4).minimize(loss)

init = tf.initialize_all_variables()

merged = tf.summary.merge_all()

with tf.Session() as sess:

sess.run(init)

write = tf.summary.FileWriter("logs/",sess.graph)

for i in range(5000):

batch_xs,batch_ys = mnist.train.next_batch(100)

sess.run(train,feed_dict = {xs:batch_xs,ys:batch_ys,keep_prob:0.5})

if i % 100 == 0:

print(compute_accuracy(mnist.test.images,mnist.test.labels))

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

當前標題：利用tensorflow構建卷積神經(jīng)網(wǎng)絡（CNN）-創(chuàng)新互聯(lián)
網(wǎng)址分享：http://chinadenli.net/article12/cdjddc.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供外貿網(wǎng)站建設、自適應網(wǎng)站、定制網(wǎng)站、云服務器、虛擬主機、軟件開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)