稍稍乱入的CNN,本文依然是学习周莫烦视频的笔记。

  稍稍乱入的CNN,本文依然是学习周莫烦视频的笔记。
  
  还有 google 在 udacity 上的 CNN 教程。
  
  CNN(Convolutional Neural Networks) 卷积神经网络简单讲就是把一个图片的数据传递给CNN,原涂层是由RGB组成,然后CNN把它的厚度加厚,长宽变小,每做一层都这样被拉长,最后形成一个分类器:
  
  如果想要分成十类的话,那么就会有0到9这十个位置,这个数据属于哪一类就在哪个位置上是1,而在其它位置上为零。
  
  在 RGB 这个层,每一次把一块核心抽出来,然后厚度加厚,长宽变小,形成分类器:
  
  在 CNN 中有几个重要的概念:
  
  - stride
  
  - padding
  
  - pooling
  
  stride,就是每跨多少步抽取信息。每一块抽取一部分信息,长宽就缩减,但是厚度增加。抽取的各个小块儿,再把它们合并起来,就变成一个压缩后的立方体。
  
  padding,抽取的方式有两种,一种是抽取后的长和宽缩减,另一种是抽取后的长和宽和原来的一样。
  
  pooling,就是当跨步比较大的时候,它会漏掉一些重要的信息,为了解决这样的问题,就加上一层叫pooling,事先把这些必要的信息存储起来,然后再变成压缩后的层:
  
  patch, 就是小方块的长宽的像素,in size 是image的厚度为1,out size是输出的厚度为32:
  
  CNN的结构,分析一张图片时,先放一个CNN的图层,再把这个图层进行一个pooling。这样可以比较好的保持信息,之后再加第二层的CNN和pooling。
  
  导入一个图片之后,先是有它的RGB三个图层,然后把像素块缩小变厚。本来有三个厚度,然后把它变成八个厚度,它的长宽在不断的减小,最后把它们连接在一起:
  
  下面就是用 tensorflow 构建一个 CNN 的代码,
  
  里面主要有4个layer,分别是:
  
  1. convolutional layer1 + max pooling;
  
  2. convolutional layer2 + max pooling;
  
  3. fully connected layer1 + dropout;
  
  4. fully connected layer2 to prediction.
  
  import tensorflow as tf
  
  from tensorflow.examples.tutorials.mnist import input_data
  
  # number 1 to 10 data
  
  mnist = input_data.read_data_sets(‘MNIST_data‘, one_hot=True)
  
  def compute_accuracy(v_xs, v_ys):
  
  global prediction
  
  y_pre = sess.run(prediction, feed_dict={xs: v_xs, keep_prob: 1})
  
  correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
  
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  
  result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys, keep_prob: 1})
  
  return result
  
  # 产生随机变量,符合 normal 分布
  
  # 传递 shape 就可以返回weight和bias的变量
  
  def weight_variable(shape):
  
  initial = tf.truncated_normal(shape, stddev=0.1)
  
  return tf.Variable(initial)
  
  def bias_variable(shape):
  
  initial = tf.constant(0.1, shape=shape)
  
  return tf.Variable(initial)
  
  # 定义2维的 convolutional 图层
  
  def conv2d(x, W):
  
  # stride [1, x_movement, y_movement, 1]
  
  # Must have strides[0] = strides[3] = 1
  
  # strides 就是跨多大步抽取信息
  
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding=‘SAME‘)
  
  # 定义 pooling 图层
  
  def max_pool_2x2(x):
  
  # stride [1, x_movement, y_movement, 1]
  
  # 用pooling对付跨步大丢失信息问题
  
  return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding=‘SAME‘)
  
  # define placeholder for inputs to network
  
  xs = tf.placeholder(tf.float32, [None, 784]) # 784=28x28
  
  ys = tf.placeholder(tf.float32, [None, 10])
  
  keep_prob = tf.placeholder(tf.float32)
  
  x_image = tf.reshape(xs, [-1, 28, 28, 1]) # 最后一个1表示数据是黑白的
  
  # print(x_image.shape) # [n_samples, 28,28,1]
  
  ## 1. conv1 layer ##
  
  # 把x_image的厚度1加厚变成了32
  
  W_conv1 = weight_variable([5, 5, 1, 32]) # patch 5x5, in size 1, out size 32
  
  b_conv1 = bias_variable([32])
  
  # 构建第一个convolutional层,外面再加一个非线性化的处理relu
  
  h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32
  
  # 经过pooling后,长宽缩小为14x14
  
  h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32
  
  ## 2. conv2 layer ##
  
  # 把厚度32加厚变成了64
  
  W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
  
  b_conv2 = bias_variable([64])
  
  # 构建第二个convolutional层
  
  h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64
  
  # 经过pooling后,长宽缩小为7x7
  
  h_pool2 = max_pool_2x2( www.chuangyed.com h_conv2) # output size 7x7x64
  
  ## 3. func1 layer ##
  
  # 飞的更高变成1024
  
  W_fc1 = weight_variable([7*7*64, 1024])
  
  b_fc1 = bias_variable([1024])
  
  # [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
  
  # 把pooling后的结果变平
  
  h_pool2_flat = tf.reshape(h_pool2, [www.txfenfenc11.cn -1, 7*7*64])
  
  h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
  
  h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
  
  ## 4. func2 layer ##
  
  # 最后一层,输入1024,输出size 10,用 softmax 计算概率进行分类的处理
  
  W_fc2 = weight_variable([1024, 10])
  
  b_fc2 = bias_variable([10])
  
  prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
  
  # the error between prediction and real data
  
  cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
  
  reduction_indices=[1])) # loss
  
  train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
  
  sess = tf.Session()
  
  # important step
  
  sess.run(tf.initialize_all_variables())
  
  for i in range(1000):
  
  batch_xs, batch_ys = www.xingchexiu.com mnist.train.next_batch(100)
  
  sess.run(train_step, feed_dict={xs: www.yongshiyule178.com/ batch_xs, ys: batch_ys, keep_prob: 0.5})
  
  if i % 50 == 0:
  
  print(compute_accuracy(
  
  mnist.test.images, www.255055.cn mnist.test.labels))

时间: 08-05

稍稍乱入的CNN,本文依然是学习周莫烦视频的笔记。的相关文章

乱入Linux界的我是如何学习的

欢迎来到建哥学Linux,咳!咳!咳!开个玩笑哈,我是一个IT男,IT界的入门选手,正在学习Linux. 在之前,一直想进军IT界,学习IT技术,但是苦于没有人指导,也不知道学什么,最开始我自己在网上找,看到一个易语言,听说是易语言是一门以中文为程序代码编程语言,方便中国人以中国人的思维编写程序,并不用再去学习西方思维,学习起来很简单,于是我就去找了一些易语言的资料来学习,学了一段时间后,我发现怎么好像很少有人在学习这门语言啊,经过我多方询问发现易语言出现时间很短,或许还没完善,所以很多人选择不

(五)乱入之如何使用MNIST数据库

(五)乱入之如何使用MNIST数据库 今天花了整整一天时间查各种资料,终于搞清楚了怎么使用MNIST数据库.哈哈,MNIST,是不是高端洋气上档次?是不是不知道是什么东东? MNIST是一个据说很出名的手写数字数据库,据说是美国中学生手写的数字,说实话大部分都写得挺丑的...Anyway,幸好能看得懂是哪个数字.现在课题是用CNN(卷积神经网络)识别这个数据库的数字.我想,CNN还真没懂,不过先搞清楚怎么读入数据库吧,不然空有理论无法实操.一般人会用MATLAB来做神经网络的东东,而我正是一个一

Json的序列化与反序列化以及乱入的k_BackingField

今天需要使用Json数据,所以用到了Json的序列化与反序列化.首先先来说怎么序列化的: 1.序列化与反序列化 首先添加System.Runtime.Serialization的引用 Object转换成Json文件: public static string ObjectToJson(object obj) { DataContractJsonSerializer ser = new DataContractJsonSerializer(obj.GetType()); using (Memory

listview中item的各种进入乱入效果实现

今天给大家带来的,是使用开源项目ListviewAnimation(此项目在Github上已经停止维护),来实现listview控件中,item的各种进入效果,包括左侧进入,右侧进入,下侧进入,右下角进入,放大进入.卡片样式等效果. 废话不多说,先上效果图. 卡片效果 底部进入 右侧进入 左侧进入 右下角进入 放大进入 因为这个代码确实没什么讲头,也没什么难度,我直接上传代码,大家自己看吧 点击下载源码 listview中item的各种进入乱入效果实现

c#读取文本文档实践3-写入到文本本文档

首先通过File.ReadAllLines()方法读入文本文档中内容并返回字符串数组contents,这样每行数据就成为了这个字符串数组contents的一个元素,再利用split()方法将每一个元素以空格或制表符分割,返回字符串数组,这样一行数据又被返回了3个字符串放入字符串数组中,通过Convert.ToDouble()方法将其转化为double类型并计算.创建一个StringBuilder数据类型将每行的字符串添加进去,转换为string后,最后用File.WriteAllText方法写入

[乱 入]几个实用的Vim指令

一.入门 传送门:<简明 Vim 练级攻略> 二.好东西(个人排名) No.1 viw 选中光标处的单词(眼前一亮) No.2 gd 光标所在属性或方法的定义处 No.3 yiw 复制光标处的单词(和No.1类似) No.3 * 和 # 向后 和 向前 找光标所在的关键词 No.4 C+n(即Ctrl + n) 补全功能 PS 还有一些常用的,但是容易发现的指令,就不列出来了. 版权声明:本文为博主原创文章,未经博主允许不得转载.

【乱入】Uva11021麻球繁衍

就是根据概率公式入门算算. #include<bits/stdc++.h> const int N=1010; int n,m,k; double p[N],f[N]; int main(){ int T;scanf("%d",&T); for(int yql=1;yql<=T;yql++){ scanf("%d%d%d",&n,&k,&m); for(int i=1;i<=n;i++)scanf("

linux乱入

1.复制/etc/skel目录为/home/tuser1,要求/home/tuser1及其内部文件的属组和其它用户均没有任何访问权限. [[email protected] /]# cp -r /etc/skel /home/tuser1 && chmod 700 -R /home/tuser1   [[email protected] /]# echo $? 0 [[email protected] home]# ll -al /home/tuser1/ 总用量 12 drwx-----

[乱入]迷迷糊糊,诚惶诚恐。

总想说点什么,却也不知道怎么表达. ╮(╯▽╰)╭ 算了,以一句话来表达我此刻的心情吧. 前面好黑啊,什么都看不到! 不会啊,太阳升起就会很美. 加油,各位少年们! 努力不辜负年少青春.