TensorFlow 간단 한 볼 륨 신경 망 실현

본 논문 에서 사용 하 는 데이터 세트 는 MNIST 로 주로 두 개의 볼 륨 층 에 하나의 전 연결 층 을 더 해 구 축 된 볼 륨 신경 망 을 사용한다.
MNIST 데이터 세트(손 글씨 숫자 인식 세트)를 먼저 불 러 오고 기본 인 터 랙 티 브 세 션 을 만 듭 니 다(응답 대상 이 지정 되 지 않 은 상태 에서 변 수 를 실행 합 니 다)

from tensorflow.examples.tutorials.mnist import input_data 
import tensorflow as tf 
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) 
sess = tf.InteractiveSession(）

볼 륨 신경 망 은 가중치 와 편향 이 많 기 때문에 초기 화 함 수 를 정의 합 니 다.

def weight_variable(shape): 
 initial = tf.truncated_normal(shape, stddev=0.1)
#                   ， 
 return tf.Variable(initial) 
#  relu，          0.1，         
def bias_variable(shape): 
 initial = tf.constant(0.1, shape=shape) 
 return tf.Variable(initial) 

볼 륨 이동 걸음 길 이 는 1 대표 가 그림 을 빠 뜨리 지 않 고 그 어 가 는 모든 점 입 니 다.padding 은 경계 처리 방식 을 대표 합 니 다.same 은 경계 에 padding 을 더 해 볼 륨 의 출력 과 입력 을 같은 크기 로 유지 하 는 것 을 표시 합 니 다.

def conv2d(x,W):#2     ，x  ，w      ，strides           
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') 
 
def max_pool_2x2(x): 
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], 
       padding='SAME') 

본 격 적 으로 볼 륨 신경 망 구 조 를 설계 하기 전에 입력 한 placeholder(c+와 유사 한 cin,사용자 가 실행 할 때 입력 하도록 요구)를 정의 합 니 다.권 적 신경 망 은 공간 구조 정 보 를 이용 하기 때문에 1 차원 의 입력 벡터 를 2 차원 의 이미지 구조 로 전환 해 야 한다.또한 하나의 색채 채널 만 있 기 때문에 마지막 사 이 즈 는[-1,28,28,1]이 고-1 은 견본 의 수량 이 고정 되 지 않 고 1 은 색채 채널 의 수량 을 나타 낸다.
여기 tf.reshape 는 tensor 변형 함수 입 니 다.

x = tf.placeholder(tf.float32, [None, 784])# x     
y_ = tf.placeholder(tf.float32, [None, 10])# y_    label 
x_image = tf.reshape(x, [-1, 28, 28,1]) 

다음은 첫 번 째 볼 륨 층 을 정의 합 니 다.

w_conv1 = weight_variable([5, 5, 1, 32])
#        5X5，1     ，32       ，  conv2d        ， 
b_conv1 = bias_variable([32]) 
h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) 
h_pool1 = max_pool_2x2(h_conv1) 

두 번 째 볼 륨 층 을 정의 합 니 다.첫 번 째 볼 륨 층 과 마찬가지 로 볼 륨 핵 의 수량 이 64 가 되 었 을 뿐 입 니 다.즉,이 볼 륨 은 64 가지 특징 을 추출 합 니 다.

w_conv2 = weight_variable([5, 5, 32, 64])#    64    
b_conv2 = bias_variable([64]) 
h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) 
h_pool2 = max_pool_2x2(h_conv2) 

두 번 의 보폭 이 2x2 인 최대 풀 화 를 거 쳤 을 때 그림 사 이 즈 는 7x7 로 바 뀌 었 고 tf.reshape 함 수 를 사용 하여 두 번 째 볼 륨 층 의 출력 tensor 를 변형 시 켜 2 차원 에서 1 차원 벡터 로 바 꾸 고 전체 연결 층(노드 포함 1024)을 연결 하 며 relu 활성화 함 수 를 사용 합 니 다.

w_fc1 = weight_variable([7*7*64, 1024]) 
b_fc1 = bias_variable([1024]) 
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) 
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1) 

Dropout 층:일부 노드 의 데 이 터 를 무 작위 로 버 려 서 적합 을 줄 입 니 다.여 기 는 place holder 를 통 해 keep 로 들 어 갑 니 다.prob 비율 로 제 어 했 습 니 다.

#       ，    Dropout  
keep_prob = tf.placeholder(tf.float32) 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 
 
#dropout        softmax ，          
w_fc2 = weight_variable([1024, 10]) 
b_fc2 = bias_variable([10]) 
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2) + b_fc2) 

손실 함수 정의 즉 평가 정확도 조작

#    ，        Adam 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), 
            reduction_indices=[1])) 
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) 
 
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

훈련 을 시작 하 다

#        
tf.global_variables_initializer().run() 
for i in range (20000): 
 batch = mnist.train.next_batch(50) 
 if i%100 == 0: 
  train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], 
             keep_prob: 1.0}) 
  print("step %d, training accuracy %g"%(i, train_accuracy)) 
 train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 

모든 훈련 이 끝 난 후에 우 리 는 최종 테스트 집에 서 전면적 인 테스트 를 하여 전체적인 분류 정확 도 를 얻 었 다.

print("test accuracy %g" %accuracy.eval(feed_dict={ 
 x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) 

이 네트워크 는 훈련 에 참여 한 샘플 수량 이 모두 100 만 명 으로 20000 번 의 훈련 을 교체 하고 크기 가 50 인 mini 를 사용한다.batch。

제 가 설치 한 버 전 은 CPU 버 전의 tensorflow 이기 때문에 운행 이 느 립 니 다.이 모델 의 최종 정확성 은 약 99.2%이 고 핸드폰 디지털 식별 정확도 에 대한 요 구 를 만족 시 킬 수 있 습 니 다.
이상 이 바로 본 고의 모든 내용 입 니 다.여러분 의 학습 에 도움 이 되 고 저 희 를 많이 응원 해 주 셨 으 면 좋 겠 습 니 다.