Python CNN卷积神经网络代码实现

Posted 云山之巅

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python CNN卷积神经网络代码实现相关的知识,希望对你有一定的参考价值。

一.概述

  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】是深度学习的代表算法之一。卷积神经网络具有表征学习【representation learning】能力,能够按其阶层结构对输入信息进行平移不变分类。

  

  神经网络实质上是多层函数嵌套形成的数学模型。1998年Yann LeCun等人推出了LeNet-5架构,广泛用于手写字体识别,包含全连接层和sigmoid激活函数,还有卷积层和池化层。

二.代码实现

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Wed Nov 21 17:32:28 2018
 4 
 5 @author: zhen
 6 """
 7 
 8 import tensorflow as tf
 9 from tensorflow.examples.tutorials.mnist import input_data
10 
11 mnist = input_data.read_data_sets(\'C:/Users/zhen/MNIST_data_bak/\', one_hot=True)
12 sess = tf.InteractiveSession()
13 
14 def weight_variable(shape):
15     initial = tf.truncated_normal(shape, stddev=0.1)
16     return tf.Variable(initial)
17 
18 def bias_variable(shape):
19     initial = tf.constant(0.1, shape=shape)
20     return tf.Variable(initial)
21 
22 def conv2d(x, W):
23     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding=\'SAME\')
24 
25 def max_pool_2x2(x):
26     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=\'SAME\')
27 
28 x = tf.placeholder(tf.float32, [None, 784])
29 y = tf.placeholder(tf.float32, [None, 10])
30 x_image = tf.reshape(x, [-1, 28, 28, 1])
31 
32 # 第一层卷积核
33 W_conv = weight_variable([5, 5, 1, 16])
34 b_conv = bias_variable([16])
35 h_conv = tf.nn.relu(conv2d(x_image, W_conv) + b_conv)
36 h_pool = max_pool_2x2(h_conv)
37 
38 # 第二层卷积核
39 W_conv2 = weight_variable([5, 5, 16, 32])
40 b_conv2 = bias_variable([32])
41 h_conv2 = tf.nn.relu(conv2d(h_pool, W_conv2) + b_conv2)
42 h_pool2 = max_pool_2x2(h_conv2)
43 
44 # 全连接层
45 W_fc = weight_variable([7 * 7 * 32, 512])
46 b_fc = bias_variable([512])
47 h_pool_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 32])
48 h_fc = tf.nn.relu(tf.matmul(h_pool_flat, W_fc) + b_fc)
49 
50 # 防止过拟合,使用Dropout层
51 keep_prob = tf.placeholder(tf.float32)
52 h_fc_drop = tf.nn.dropout(h_fc, keep_prob)
53 
54 # Softmax分类
55 W_fc2 = weight_variable([512, 10])
56 b_fc2 = bias_variable([10])
57 y_conv = tf.nn.softmax(tf.matmul(h_fc_drop, W_fc2) + b_fc2)
58 
59 # 定义损失函数
60 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(y_conv), reduction_indices=[1]))
61 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
62 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y, 1))
63 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
64 
65 # 训练
66 tf.global_variables_initializer().run()
67 for i in range(20):
68     batch = mnist.train.next_batch(50)
69     train_step.run(feed_dict={x:batch[0], y:batch[1], keep_prob:0.5})
70     
71 print("test accuracy %g" % accuracy.eval(feed_dict={x:mnist.test.images, y:mnist.test.labels, keep_prob:1.0}))

三.结果

  1.算法模型不变,增大训练集数据【隐藏一层16个卷积核,隐藏二层32个卷积核,全连接层512,10分类】:

    数据集为1000条:

    

    数据集为10000条:

       

    数据集为100000条:

      

   2.训练集数据不变,增大卷积核数【数据集为10000,全连接层512,10分类】:

    隐藏一层16个卷积核,隐藏二层32个卷积核:

     

    隐藏一层32个卷积核,隐藏二层64个卷积核:

    

    隐藏一层64个卷积核,隐藏二层128个卷积核:

      

四.分析

  在训练集较小时,一味增加卷积核的数量对预测性能的提升十分有限,在相同模型的情况下,适当的提升训练集的数据对模型的提升十分明显,当然为了达到更高的性能可以两者兼得!

以上是关于Python CNN卷积神经网络代码实现的主要内容,如果未能解决你的问题,请参考以下文章

《卷积神经网络的Python实现》PDF代码+《解析深度学习卷积神经网络原理与视觉实践》PDF分析

卷积神经网络:反向传播过程的代码实现

越来越卷,教你使用Python实现卷积神经网络(CNN)

越来越卷,教你使用Python实现卷积神经网络(CNN)

计算CNN实现中的卷积层

基于pytorch使用实现CNN 如何使用pytorch构建CNN卷积神经网络