github博客传送门
csdn博客传送门
本章所需知识:
- 没有基础的请观看深度学习系列视频
- tensorflow
- Python基础
资料下载链接:
深度学习基础网络模型(mnist手写体识别数据集)
MNIST数据集手写体识别(CNN实现)
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data # 导入下载数据集手写体
mnist = input_data.read_data_sets('../MNIST_data/', one_hot=True)
class SEQ2SEQNet: # 创建一个SEQ2SEQNet类
def __init__(self):
self.x = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28], name='input_x') # 创建数据占位符
self.y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_y') # 创建标签占位符
self.fc1_w = tf.Variable(tf.truncated_normal(shape=[128, 10], dtype=tf.float32, stddev=tf.sqrt(1 / 10))) # 定义 输出层/全链接层 w
self.fc1_b = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32)) # 定义 输出层/全链接层 偏值b
# 前向计算
def forward(self):
# 编码
with tf.variable_scope('encode'): # 创建一个变量空间 encode
self.encoder_cell = tf.nn.rnn_cell.BasicLSTMCell(128) # 创建128个LSTM的RNN结构(细胞结构)
self.encoder_states = self.encoder_cell.zero_state(100, dtype=tf.float32) # 初始化细胞的状态为 0, 传入初始化批次 和数据类型
self.encoder_output, self.encoder_state = tf.nn.dynamic_rnn(self.encoder_cell, self.x, initial_state=self.encoder_states, time_major=False) # 将细胞cell 和数据 self.x 初始化状态传入RNN细胞结构 获得两个返回值 output 和 状态state
self.flat = tf.transpose(self.encoder_output, [1, 0, 2])[-1] # 取rnn_output的输出状态的 每个输出的最后一行 (相当于 self.rnn_ouput[:, -1, :])
self.flat1 = tf.expand_dims(self.flat, axis=1) # 增加了一个维度
self.flat2 = tf.tile(self.flat1, [1, 4, 1]) # 将增加的那个维度进行 复制为 4行 不复制也行 reshape为 NSV结构[批次, 步长, 数据]也行.
# 解码
with tf.variable_scope('decode'): # 创建一个变量空间 decode
self.decoder_cell = tf.nn.rnn_cell.BasicLSTMCell(128) # 创建128个LSTM的RNN结构
self.decoder_states = self.decoder_cell.zero_state(100, dtype=tf.float32) # 初始化细胞的状态为 0, 传入初始化批次 和数据类型
self.decoder_output, self.decoder_state = tf.nn.dynamic_rnn(self.decoder_cell, self.flat2, initial_state=self.decoder_states, time_major=False) # 将细胞cell 和数据 self.flat2 初始化状态传入RNN细胞结构 获得两个返回值 output 和 状态state
self.flat3 = tf.transpose(self.decoder_output, [1, 0, 2])[-1] # 同上
self.fc_y = tf.nn.relu(tf.matmul(self.flat3, self.fc1_w)+self.fc1_b) # 全链接层
self.output = tf.nn.softmax(self.fc_y) # softmax分类
# 后向计算
def backword(self):
self.cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y, logits=self.fc_y)) # 定义损失, softmax交叉熵
self.opt = tf.train.AdamOptimizer().minimize(self.cost) # 使用AdamOptimizer优化损失
# 计算测试集识别精度
def acc(self):
# 将预测值 output 和 标签值 self.y 进行比较
self.acc1 = tf.equal(tf.argmax(self.output, 1), tf.argmax(self.y, 1))
# 最后对比较出来的bool值 转换为float32类型后 求均值就可以看到满值为 1的精度显示
self.accaracy = tf.reduce_mean(tf.cast(self.acc1, dtype=tf.float32))
if __name__ == '__main__':
net = SEQ2SEQNet() # 启动tensorflow绘图的SEQ2SEQNet
net.forward() # 启动前向计算
net.backward() # 启动后向计算
net.acc() # 启动精度计算
init = tf.global_variables_initializer() # 定义初始化tensorflow所有变量操作
with tf.Session() as sess: # 创建一个Session会话
sess.run(init) # 执行init变量内的初始化所有变量的操作
for i in range(10000): # 训练10000次
ax, ay = mnist.train.next_batch(100) # 从mnist数据集中取数据出来 ax接收图片 ay接收标签
ax_batch = ax.reshape(-1, 28, 28) # 将取出的 图片数据 reshape成 NSV 结构
loss, output, accaracy, _ = sess.run(fetches=[net.cost, net.output, net.accaracy, net.opt], feed_dict={net.x: ax_batch, net.y: ay}) # 将数据喂进编码网络
# print(loss) # 打印损失
# print(accaracy) # 打印训练精度
if i % 100 == 0: # 每训练100次
test_ax, test_ay = mnist.test.next_batch(100) # 则使用测试集对当前网络进行测试
test_ax_batch = test_ax.reshape(-1, 28, 28) # 将取出的 图片数据 reshape成 NSV 结构
test_output = sess.run(fetches=net.output, feed_dict={net.x: test_ax_batch}) # 将数据喂进编码网络 接收一个output值
test_acc = sess.run(tf.equal(tf.argmax(test_output, 1), tf.argmax(test_ay, 1))) # 对output值和标签y值进行求比较运算
test_accaracy = sess.run(tf.reduce_mean(tf.cast(test_acc, dtype=tf.float32))) # 求出精度的准确率进行打印
print(test_accaracy) # 打印当前测试集的精度
最后附上训练截图:
