【连载】深度学习笔记13：Tensorflow实战之手写mnist手写数字识别
上一讲笔者和大家一起学习了如何使用 Tensorflow 构建一个卷积神经网络模型。本节我们将继续利用 Tensorflow 的便捷性完成 mnist 手写数字数据集的识别实战。mnist 数据集是 Yann Lecun 大佬基于美国国家标准技术研究所构建的一个研究深度学习的手写数字的数据集。mnist 由 70000 张不同人手写的 0-9 10个数字的灰度图组成。本节笔者就和大家一起研究如何利用 Tensorflow 搭建一个 CNN 模型来识别这些手写的数字。
数据导入
mnist 作为标准深度学习数据集，在各大深度学习开源框架中都默认有进行封装。所以我们直接从 Tensorflow 中导入相关的模块即可：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist
import input_data
# load mnist data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)快速搭建起一个简易神经网络模型
数据导入之后即可按照 Tensorflow 的范式创建相应的 Tensor 变量然后创建会话：
# create the session
sess = tf.InteractiveSession()
# create variables and run the session
x = tf.placeholder('float', shape=[None, 784])
y_ = tf.placeholder('float', shape=[None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
sess.run(tf.global_variables_initializer())定义前向传播过程和损失函数：
#definethenetandlossfunctiony=tf.nn.softmax(tf.matmul(x,W)+b) cross_entropy=-tf.reduce_sum(y_*tf.log(y))
进行模型训练：
# train the model
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
for i in range(1000):
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})使用训练好的模型对测试集进行预测：
# evaluate the model
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
预测准确率为 0.9，虽然说也是一个很高的准确率了，但对于 mnist 这种标准数据集来说，这样的结果还有很大的提升空间。所以我们继续优化模型结构，为模型添加卷积结构。
搭建卷积神经网络模型
定义初始化模型权重函数：
# initilize the weight
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)定义卷积和池化函数：
# convolutional and pooling
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')搭建第一层卷积：
# the first convolution layer
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)搭建第二层卷积：
# the second convolution layer
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)搭建全连接层：
# dense layer/full_connected layer
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)设置 dropout 防止过拟合：
# dropout to prevent overfitting
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)对输出层定义 softmax ：
# model output
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)训练模型并进行预测：
# model trainning and evaluating
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.initialize_all_variables())
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:batch[0], y_: batch[1], keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print("test accuracy %g"%accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))部分迭代过程和预测结果如下：
经过添加两层卷积之后我们的模型预测准确率达到了 0.9931，模型训练的算是比较好了
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网
网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
神经网络
+关注
关注
42文章
4771浏览量
100708 -
人工智能
+关注
关注
1791文章
47183浏览量
238203 -
机器学习
+关注
关注
66文章
8406浏览量
132556
发布评论请先 登录
相关推荐
《DNK210使用指南 -CanMV版 V1.0》第四十七章 MNIST实验
的介绍，请见第39.1小节《maix.KPU模块介绍》。47.2 硬件设计47.2.1 例程功能1. 获取摄像头输出的图像，对图像进行预处理后，送入KPU进行MNIST手写数字识别，然
发表于 11-19 10:30
绘王原笔迹手写：高度定制化手写输入解决方案
在过去的数字化实践中，手写输入产品以其便捷性和准确性，成为通信、银行、保险、教育、医疗、税务、政务等领域不可或缺的工具。面对个性化业务需求，绘王提供量身定做的原笔迹手写解决方案，助力企业在数字
国产芯上运行TinyMaxi轻量级的神经网络推理库-米尔基于芯驰D9国产商显板
查看cmake版本
make -version
确认文件路径，尽量不要拷贝到有权限的路径下
自带示例
文件结构
MNIST示例MNIST是手写数字
发表于 08-09 18:26
国产芯上运行TinyMaxi轻量级的神经网络推理库-米尔基于芯驰D9国产商显板
;/font>
确认文件路径，尽量不要拷贝到有权限的路径下
自带示例
文件结构
MNIST示例MNIST是手写数字识别
发表于 08-07 18:06
TensorFlow与PyTorch深度学习框架的比较与选择
深度学习作为人工智能领域的一个重要分支，在过去十年中取得了显著的进展。在构建和训练深度学习模型的过程中，深度
【Vision Board创客营连载体验】TinyMaix进行手写数字识别
ATmega328 (32KB Flash, 2KB Ram) 都能基于 TinyMaix 跑 mnist(手写数字识别)
支持 INT8/FP32/FP16 模型，实验性地支持 F
发表于 06-15 08:40
智慧教育得力助手：A4手写板让笔记轻松数字化
在追求高效与数字化的今天，手写的个性化和准确性依旧无可替代。绘王A4蓝牙手写板正是针对原笔迹手写数字化而设计，不仅保留了传统
微软发布Windows版OneNote应用AI手写矫正功能
微软官方解释称，这一功能旨在优化和调整手写字体，使之更加整洁美观且更具连贯性。这不仅能提升OneNote中的手写字体可读性，而且不会改变原始手写字效的独特风格与个性化特点，方便用户日后再次审阅及分享。
手写笔及笔尖弹力测试分选应用-磐石测控
是该行业需要面对的挑战。 图1 传统手写笔内部结构 从测试测量的角度来讲，所谓8192压感必须拥有力量测试的重复性，原理上讲，内部应该设计有倾角传感器，力量传感器来识别对应的压力力度。如何做到出厂时手写笔压力感应的一致性，以及使
162泛海微手写板专用合封IC芯片
泛海微推出外围简单的合封手写板芯片，内置集成MOS。162手写板合封芯片是一款通用的手写板擦写自动控制芯片。162手写板合封芯片为一款内置升压电路并可以自动产生擦写脉冲的
发表于 03-06 19:27
•0次下载
苹果公司荣获日历项手写技术专利，优化Apple Pencil操作体验
研究发现，目前通过手写笔或手指都能完成创建日历项的工作，然而手写笔输入操作繁琐且效率低下，因而日常生活中多采用手指输入方式。苹果公司此次专利旨在设计一种更高效的触控笔用户界面。
【先楫HPM5361EVK开发板试用体验】TinyMaix进行手写数字识别
ATmega328 (32KB Flash, 2KB Ram) 都能基于 TinyMaix 跑 mnist(手写数字识别)
支持 INT8/FP32/FP16 模型，实验性地支持 F
发表于 01-02 23:34
工商网监
评论