12 使用卷積神經網絡識別手寫數字

    看代碼：

 1 import tensorflow as tf
 2 from tensorflow.examples.tutorials.mnist import input_data
 3 
 4 # 下載訓練和測試數據
 5 mnist = input_data.read_data_sets('MNIST_data/', one_hot = True)
 6 
 7 # 建立session
 8 sess = tf.Session()
 9 
10 # 佔位符
11 x = tf.placeholder(tf.float32, shape=[None, 784]) # 每張圖片28*28，共784個像素
12 y_ = tf.placeholder(tf.float32, shape=[None, 10]) # 輸出爲0-9共10個數字，其實就是把圖片分爲10類
13 
14 # 權重初始化
15 def weight_variable(shape):
16     initial = tf.truncated_normal(shape, stddev=0.1) # 使用截尾正態分佈的隨機數初始化權重，標準誤差是0.1（噪音）
17     return tf.Variable(initial)
18 
19 def bias_variable(shape):
20     initial = tf.constant(0.1, shape = shape) # 使用一個小正數初始化偏置，避免出現偏置總爲0的狀況
21     return tf.Variable(initial)
22 
23 # 卷積和集合
24 def conv2d(x, W): # 計算2d卷積
25     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
26 
27 def max_pool_2x2(x): # 計算最大集合
28     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
29 
30 # 第一層卷積
31 W_conv1 = weight_variable([5, 5, 1, 32]) # 爲每一個5*5小塊計算32個特徵
32 b_conv1 = bias_variable([32])
33 
34 x_image = tf.reshape(x, [-1, 28, 28, 1]) # 將圖片像素轉換爲4維tensor，其中二三維是寬高，第四維是像素
35 h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
36 h_pool1 = max_pool_2x2(h_conv1)
37 
38 # 第二層卷積
39 W_conv2 = weight_variable([5, 5, 32, 64])
40 b_conv2 = bias_variable([64])
41 
42 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
43 h_pool2 = max_pool_2x2(h_conv2)
44 
45 # 密集層
46 W_fc1 = weight_variable([7 * 7 * 64, 1024]) # 建立1024個神經元對整個圖片進行處理
47 b_fc1 = bias_variable([1024])
48 
49 h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
50 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
51 
52 # 退出（爲了減小過分擬合，在讀取層前面加退出層，僅訓練時有效）
53 keep_prob = tf.placeholder(tf.float32)
54 h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
55 
56 # 讀取層（最後咱們加一個像softmax表達式那樣的層）
57 W_fc2 = weight_variable([1024, 10])
58 b_fc2 = bias_variable([10])
59 
60 y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
61 
62 # 預測類和損失函數
63 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv)) # 計算誤差平均值
64 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 每一步訓練
65 
66 # 評估
67 correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
68 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
69 sess.run(tf.global_variables_initializer())
70 
71 for i in range(1000):
72     batch = mnist.train.next_batch(50)
73     if i%10 == 0:
74         train_accuracy = accuracy.eval(feed_dict={ x:batch[0], y_: batch[1], keep_prob: 1.0}, session = sess) # 每10次訓練計算一次精度
75         print("步數 %d, 精度 %g"%(i, train_accuracy))
76     train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}, session = sess)
77 
78 # 關閉
79 sess.close()

執行上面的代碼後輸出：

Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
步數 0, 精度 0.12
步數 10, 精度 0.34
步數 20, 精度 0.52
步數 30, 精度 0.56
步數 40, 精度 0.6
步數 50, 精度 0.74
步數 60, 精度 0.74
步數 70, 精度 0.78
步數 80, 精度 0.82

..........

步數 900, 精度 0.96
步數 910, 精度 0.98
步數 920, 精度 0.96
步數 930, 精度 0.98
步數 940, 精度 0.98
步數 950, 精度 0.9
步數 960, 精度 0.98
步數 970, 精度 0.9
步數 980, 精度 1
步數 990, 精度 0.9

    能夠看到，使用卷積神經網絡訓練1000次能夠讓精度達到95%以上，聽說訓練20000次精度能夠達到99.2%以上。因爲CPU不行，太耗時間，就不訓練那麼多了。你們能夠跟使用softmax訓練識別手寫數字進行對比。《07 訓練Tensorflow識別手寫數字》

    參考資料

    一、Deep MNIST for Experts：https://www.tensorflow.org/get_started/mnist/pros