Python深度学习笔记05——tensorflow实现神经网络（贰）

前言

关于python深度学习（tensorflow 1.x版本）学习笔记05——神经网络（贰）

一、简单的神经网络预测手写数字图片

数据集下载地址：http://yann.lecun.com/exdb/mnist/

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_integer("is_train", 1, "指定程序是预测还是训练")
def full_connected():
    # 获取真实数据
    mnist = input_data.read_data_sets("./data/mnist/input_data", one_hot=True)
    
    # 1、建立数据占位符 x【None,784】 y_true【None,10】
    with tf.variable_scope("data"):
        x = tf.placeholder(tf.float32, [None, 784])
        y_true = tf.placeholder(tf.int32, [None, 10])

    # 2、建立一个全连接层的神经网络 w [784,10] bias[10]
    with tf.variable_scope("fc_model"):
        # 随机初始化权重与偏置
        weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w")
        bias = tf.Variable(tf.constant(0.0, shape=[10]))
        # 预测none个样本的输出结果matrix [None,784]*[784,10]+[10]=[None,10]
        y_predict = tf.matmul(x, weight) + bias

    # 3、求出所有样本的损失，然后求平均值
    with tf.variable_scope("soft_cross"):
        # 求平均交叉熵损失
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    # 4、梯度下降，求出损失
    with tf.variable_scope("optimizer"):
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 5、计算准确率
    with tf.variable_scope("acc"):
        equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
        # equal_list None个样本
        accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))

    # 收集变量 单个数字值收集
    tf.summary.scalar("losses", loss)
    tf.summary.scalar("acc", accuracy)

    tf.summary.histogram("weights", weight)
    tf.summary.histogram("biases", bias)

    # 定义一个初始化变量的op
    init_op = tf.global_variables_initializer()
    # 定义一个合并的变量op
    merged = tf.summary.merge_all()
    # 创建一个saver
    saver = tf.train.Saver()
    # 开启会话，训练
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 建立events文件，然后写入
        filewriter = tf.summary.FileWriter("./data/tmp/test", graph=sess.graph)

        if FLAGS.is_train == True:
            # 迭代步速，训练，更新参数预测
            for i in range(2000):
                # 取出真实存在的特征值和目标值
                mnist_x,mnist_y = mnist.train.next_batch(50)
                # 运行train_op训练
                sess.run(train_op, feed_dict={x: mnist_x, y_true: mnist_y})

                # 写入每步训练的值
                summary = sess.run(merged, feed_dict={x: mnist_x, y_true: mnist_y})
                filewriter.add_summary(summary,i)
                print("训练第%d步，准确率为%f"%(i, sess.run(accuracy, feed_dict={x: mnist_x, y_true: mnist_y})))

            # 保存模型
            saver.save(sess, "./data/tmp/test")

        else:
            # 加载模型
            saver.restore(sess, "./data/tmp/test")
            # if is_train==0,则预测
            for i in range(100):
                # 每次测试一张图片
                x_test,y_test= mnist.test.next_batch(1)
                x_test = np.array(x_test)
                y_test = np.array(y_test)
                print("第%d张图片的数字是:%d，预测的结果是%d,预测准确性%f" %(
                    i,
                    tf.argmax(y_test, 1).eval(),
                    tf.argmax(sess.run(y_predict, feed_dict={x: x_test, y_true: y_test}),1).eval(),
                    1 - sess.run(loss, feed_dict={x: x_test, y_true: y_test})
                ))

    return None

if __name__=="__main__":
    full_connected()

步骤：

1. 训练模型
2. 保存模型
3. 预测数据集
4. 将数据集转图片
5. 将图片转成数据集格式。

二、深层的神经网络

1、深度学习网络

深度学习网络与更常见的单一隐藏层神经网络的区别在于深度，深度学习网络中，每个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也越来越复杂。

• 全连接神经网络的缺点（VS 卷积神经网络）
  • 参数太多
  • 没有利用像素之间位置信息
  • 层数限制
• 神经网络结构

  • 神经网络的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层（又叫下采样层）。

  • 卷积层：通过在原始图像上平移来提取特征；

  •  池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）。

总结

       以上是通过学习视频《Python深度学习（tensorflow）》整理学习笔记（附：视频学习地址https://www.bilibili.com/video/BV1Wt411C75s/），关于利用tensorflow实现神经网络，本篇主要记录了通过预测手写数字来练习简单的神经网络、深层神经网络的简单介绍。