0基礎深度學習必備程序，tensorflow實現mnist數據集訓練和測試

本文使用tensorflow實現在mnist數據集上的圖片訓練和測試過程，使用了簡單的兩層神經網絡，代碼中涉及到的內容，均以備註的形式標出。

關於文中的數據集，大家如果沒有下載下來，可以到我們社群下載：667950672

下載下來後解壓到F盤mnist文件夾下，或者自己選擇文件存儲位置，然後在下面代碼的相應位置改過來即可。

直接上代碼：

1. import tensorflow as tf

2. import numpy as np

3. #引入input_mnist

4. from tensorflow.examples.tutorials.mnist import input_data

6. #加載mnist信息,獲得訓練和測試圖片以及對應標籤

7. mnist = input_data.read_data_sets('F:/mnist/data/',one_hot =True)

8. trainimg = mnist.train.images

9. trainlabel = mnist.train.labels

10. testimg = mnist.test.images

11. testlabel = mnist.test.labels

12. print("MNIST LOAD READY")

14. #輸入圖片尺寸28*28

15. n_input =784

16. #輸出類別數

17. n_output =10

19. #初始化權重

20. weights ={

21. #卷積層參數，採用高斯初始化

22. 'wc1':tf.Variable(tf.random_normal([3,3,1,64],stddev =0.1)),

23. 'wc2':tf.Variable(tf.random_normal([3,3,64,128],stddev=0.1)),

24. #全連接層參數

25. 'wd1':tf.Variable(tf.random_normal([7*7*128,1024],stddev=0.1)),

26. 'wd2':tf.Variable(tf.random_normal([1024,n_output],stddev=0.1))

27. }

28. #初始化偏置

29. biases ={

30. 'bc1':tf.Variable(tf.random_normal([64],stddev =0.1)),

31. 'bc2':tf.Variable(tf.random_normal([128],stddev=0.1)),

32. 'bd1':tf.Variable(tf.random_normal([1024],stddev=0.1)),

33. 'bd2':tf.Variable(tf.random_normal([n_output],stddev=0.1))

34. }

36. #定義前向傳播函數

37. def conv_basic(_input,_w,_b,_keepratio):

38. #輸入

39. #reshape()中的-1表示不用我們指定，讓函數自己計算

40. _input_r = tf.reshape(_input,shape =[-1,28,28,1])

41. #CONV1

42. _conv1 = tf.nn.conv2d(_input_r,_w['wc1'],strides=[1,1,1,1],padding='SAME')

43. _conv1 = tf.nn.relu(tf.nn.bias_add(_conv1,_b['bc1']))

44. _pool1 = tf.nn.max_pool(_conv1,ksize =[1,2,2,1],strides =[1,2,2,1],padding='SAME')

45. #Dropout層既可以使用在全連接層之後，也可以使用在每層之後，這裡在每層之後都加了Dropout

46. _pool_dr1 = tf.nn.dropout(_pool1,_keepratio)

47. #CONV2

48. #conv2d計算二維卷積

49. _conv2 = tf.nn.conv2d(_pool_dr1,_w['wc2'],strides=[1,1,1,1],padding='SAME')

50. _conv2 = tf.nn.relu(tf.nn.bias_add(_conv2,_b['bc2']))

51. _pool2 = tf.nn.max_pool(_conv2,ksize =[1,2,2,1],strides =[1,2,2,1],padding='SAME')

52. _pool_dr2 = tf.nn.dropout(_pool2,_keepratio)

54. #向量化 全連接層輸入 得到wd1層的7*7*128的shape 然後轉化為向量

55. _dense1 = tf.reshape(_pool_dr2,[-1,_w['wd1'].get_shape().as_list()[0]])

56. #FULL CONNECTION1

57. _fc1 = tf.nn.relu(tf.add(tf.matmul(_dense1,_w['wd1']),_b['bd1']))

58. _fc_dr1 = tf.nn.dropout(_fc1,_keepratio)

59. #FULL CONNECTION2

60. _out = tf.add(tf.matmul(_fc_dr1,_w['wd2']),_b['bd2'])

61. #輸出字典

62. out={'input_r':_input_r,'conv1':_conv1,'pool1':_pool1,'pool1_dr1':_pool_dr1,

63. 'conv2':_conv2,'pool2':_pool2,'pool_dr2':_pool_dr2,'dense1':_dense1,

64. 'fc1':_fc1,'fc_dr1':_fc_dr1,'out':_out

65. }

66. returnout

68. print("CNN READY")

71. a = tf.Variable(tf.random_normal([3,3,1,64],stddev=0.1))

72. print(a)

73. a = tf.Print(a,[a],"a: ")

74. init = tf.global_variables_initializer()

75. sess = tf.Session()

76. sess.run(init)

77. #填充

78. x = tf.placeholder(tf.float32,[None,n_input])

79. y = tf.placeholder(tf.float32,[None,n_output])

80. keepratio = tf.placeholder(tf.float32)

82. #進行一次前向傳播

83. _pred = conv_basic(x,weights,biases,keepratio)['out']

84. #計算損失

85. cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = _pred,labels=y))

86. #定義優化器

87. optm = tf.train.AdamOptimizer(learning_rate =0.001).minimize(cost)

88. #比較預測的標籤和真實標籤是否一致，一致返回True，不一致返回False

89. #argmax找到給定的張量tensor中在指定軸axis上的最大值/最小值的位置，0為每一列，1為每一行

90. _corr = tf.equal(tf.argmax(_pred,1),tf.argmax(y,1))

91. #True轉化為1 False為0

92. accr = tf.reduce_mean(tf.cast(_corr,tf.float32))

94. #每1個epoch保存一次

95. save_step =1

96. #max_to_keep最終只保留三組模型，即(12 13 14)

97. saver = tf.train.Saver(max_to_keep=3)

99. #控制訓練還是測試

100. do_train=1

102. init = tf.global_variables_initializer()

103. sess = tf.Session()

104. sess.run(init)

106. #訓練15個epoch

107. training_epochs =15

108. batch_size =16

109. display_step =1

111. #訓練過程

112. if do_train ==1:

113. for epoch in range(training_epochs):

114. avg_cost=0.

115. total_batch =10

116. #迭代優化

117. for i in range(total_batch):

118. batch_xs,batch_ys = mnist.train.next_batch(batch_size)

119. sess.run(optm,feed_dict ={x:batch_xs,y:batch_ys,keepratio:0.7})

120. avg_cost += sess.run(cost,feed_dict={x:batch_xs,y:batch_ys,keepratio:1.})/total_batch

121. #打印信息

122. if(epoch+1)% display_step ==0:

123. print("Epoch:%03d/%03d cost:%.9f"%(epoch,training_epochs,avg_cost))

124. train_acc = sess.run(accr,feed_dict ={x:batch_xs,y:batch_ys,keepratio:1.})

125. print("Train accuracy:%.3f"%(train_acc))

127. #保存模型

128. if epoch % save_step ==0:

129. saver.save(sess,"F:/mnist/data/model.ckpt-"+str(epoch))

130. #測試（cpu版本慢的要死 電腦都快要被卡死了...)

131. if do_train ==0:

132. #epoch = 15 減1之後即加載第14個模型

133. epoch = training_epochs-1

134. #讀取模型

135. saver.restore(sess,"F:/mnist/data/model.ckpt-"+str(epoch))

136. #打印測試精度

137. test_acc = sess.run(accr,feed_dict={x:testimg,y:testlabel,keepratio:1.})

138. print("test accr is:%.3f"%(test_acc))

1. print("Optimization Finished")

訓練的部分過程如下：

測試過程如下：

測試時只需修改do_train==0 即可。如果使用Anaconda的spyder的話，記得測試之前先restart kennel一下。

留言快來關注小編吧，我們有最有活力的人工智能深度學習社群。

昂鈦客AI

閱讀更多 昂鈦客AI 的文章

關鍵字: 技術 梟龍戰機 測試