python tensorflow基于cnn实现手写数字识别
一份基于cnn的手写数字自识别的代码，供大家参考，具体内容如下
#-*-coding:utf-8-*-
importtensorflowastf
fromtensorflow.examples.tutorials.mnistimportinput_data
#加载数据集
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
#以交互式方式启动session
#如果不使用交互式session，则在启动session前必须
#构建整个计算图，才能启动该计算图
sess=tf.InteractiveSession()
"""构建计算图"""
#通过占位符来为输入图像和目标输出类别创建节点
#shape参数是可选的，有了它tensorflow可以自动捕获维度不一致导致的错误
x=tf.placeholder("float",shape=[None,784])#原始输入
y_=tf.placeholder("float",shape=[None,10])#目标值
#为了不在建立模型的时候反复做初始化操作，
#我们定义两个函数用于初始化
defweight_variable(shape):
#截尾正态分布,stddev是正态分布的标准偏差
initial=tf.truncated_normal(shape=shape,stddev=0.1)
returntf.Variable(initial)
defbias_variable(shape):
initial=tf.constant(0.1,shape=shape)
returntf.Variable(initial)
#卷积核池化,步长为1,0边距
defconv2d(x,W):
returntf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
defmax_pool_2x2(x):
returntf.nn.max_pool(x,ksize=[1,2,2,1],
strides=[1,2,2,1],padding='SAME')
"""第一层卷积"""
#由一个卷积和一个最大池化组成。滤波器5x5中算出32个特征，是因为使用32个滤波器进行卷积
#卷积的权重张量形状是[5,5,1,32],1是输入通道的个数，32是输出通道个数
W_conv1=weight_variable([5,5,1,32])
#每一个输出通道都有一个偏置量
b_conv1=bias_variable([32])
#位了使用卷积，必须将输入转换成4维向量，2、3维表示图片的宽、高
#最后一维表示图片的颜色通道（因为是灰度图像所以通道数维1，RGB图像通道数为3）
x_image=tf.reshape(x,[-1,28,28,1])
#第一层的卷积结果,使用Relu作为激活函数
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1))
#第一层卷积后的池化结果
h_pool1=max_pool_2x2(h_conv1)
"""第二层卷积"""
W_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)
"""全连接层"""
#图片尺寸减小到7*7，加入一个有1024个神经元的全连接层
W_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
#将最后的池化层输出张量reshape成一维向量
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
#全连接层的输出
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
"""使用Dropout减少过拟合"""
#使用placeholder占位符来表示神经元的输出在dropout中保持不变的概率
#在训练的过程中启用dropout，在测试过程中关闭dropout
keep_prob=tf.placeholder("float")
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
"""输出层"""
W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])
#模型预测输出
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)
#交叉熵损失
cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))
#模型训练,使用AdamOptimizer来做梯度最速下降
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#正确预测,得到True或False的List
correct_prediction=tf.equal(tf.argmax(y_,1),tf.argmax(y_conv,1))
#将布尔值转化成浮点数，取平均值作为精确度
accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
#在session中先初始化变量才能在session中调用
sess.run(tf.global_variables_initializer())
#迭代优化模型
foriinrange(2000):
#每次取50个样本进行训练
batch=mnist.train.next_batch(50)
ifi%100==0:
train_accuracy=accuracy.eval(feed_dict={
x:batch[0],y_:batch[1],keep_prob:1.0})#模型中间不使用dropout
print("step%d,trainingaccuracy%g"%(i,train_accuracy))
train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})
print("testaccuracy%g"%accuracy.eval(feed_dict={
x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0}))
做了2000次迭代，在测试集上的识别精度能够到0.9772……
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。