很榮幸您能看到這篇文章，相信通過標題打開這篇文章的都是對tensorflow感興趣的，特別是對卷積神經(jīng)網(wǎng)絡(luò)在mnist手寫識別這個實例感興趣。不管你是什么基礎(chǔ)，我相信，你在看完這篇文章后，都能夠完全理解這個實例。這對于神經(jīng)網(wǎng)絡(luò)入門的小白來說，簡直是再好不過了。

通過這篇文章，你能夠?qū)W習(xí)到

• tensorflow一些方法的用法
• mnist數(shù)據(jù)集的使用方法以及下載
• CNN卷積神經(jīng)網(wǎng)絡(luò)具體python代碼實現(xiàn)
• CNN卷積神經(jīng)網(wǎng)絡(luò)原理
• 模型訓(xùn)練、模型的保存和載入

Tensorflow實戰(zhàn)mnist手寫數(shù)字識別

關(guān)于這個mnist手寫數(shù)字識別實戰(zhàn)，我是跟著某課網(wǎng)上的教學(xué)視頻跟著寫的

需要導(dǎo)入的包

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data #mnist數(shù)據(jù)用到的包

下載mnist數(shù)據(jù)

mnist = input_data.read_data_sets('mnist_data',one_hot=True)

通過這一行代碼，就可以將mnist數(shù)據(jù)集下載到本地文件夾mnist_data目錄下，當然，你也可以使用絕對地址下載你想要下載的地方。這里需要注意一點是，如果第一次運行程序，由于需要下載資源的緣故，故需要一段時間，并且下載過程是沒有提示的，之后下載成功時 才會提示 Success xxxxxx 。另一種方式就是直接去官網(wǎng)下載數(shù)據(jù)集
mnist官網(wǎng) 進去點擊就可以直接下載了。

張量的聲明

input_x = tf.compat.v1.placeholder(tf.float32,[None,28*28],name='input_x')#圖片輸入
output_y = tf.compat.v1.placeholder(tf.int32,[None,10],name='output_y')#結(jié)果的輸出
image = tf.reshape(input_x,[-1,28,28,1])#對input_x進行改變形狀，

稍微解釋一下
[-1,28,28,1] -1表示不考慮輸入圖片的數(shù)量，28*28是圖片的長和寬的像素值，1是通道數(shù)量，由于原圖片是黑白的 ，所以通道是1，若是彩色圖片，應(yīng)為3.

取測試圖片和標簽

test_x = mnist.test.images[:3000]
test_y = mnist.test.labels[:3000]

[:3000]表示從列表下標為0到2999 這些數(shù)據(jù)
[1:3] 表示列表下標從1到2 這些數(shù)據(jù)

卷積神經(jīng)網(wǎng)絡(luò)第一層卷積層（用最通俗的言語告訴你什么是卷積神經(jīng)網(wǎng)絡(luò)）

#第一層卷積
conv1 = tf.layers.conv2d(inputs=image,#輸入
  filters=32,#32個過濾器
  kernel_size=[5,5],#過濾器在二維的大小是5*5
  strides=1,#步長是1
  padding='same',#same表示輸出的大小不變，因此需要補零
  activation=tf.nn.relu#激活函數(shù)
 )#形狀[28,28,32]

第二層池化層

pool1 = tf.layers.max_pooling2d(
  inputs=conv1,#第一層卷積后的值
  pool_size=[2,2],#過濾器二維大小2*2
  strides=2 #步長2
)#形狀[14,14,32]

第三層卷積層2

conv2 = tf.layers.conv2d(inputs=pool1,
  filters=64,
  kernel_size=[5,5],
  strides=1,
  padding='same',
  activation=tf.nn.relu
)#形狀[14,14,64]

第四層池化層2

pool2 = tf.layers.max_pooling2d(
  inputs=conv2,
  pool_size=[2,2],
  strides=2
)#形狀[7,7,64]

平坦化

flat = tf.reshape(pool2,[-1,7*7*64])

使用flat.shape 輸出的形狀為(?, 3136)

1024個神經(jīng)元的全連接層

dense = tf.layers.dense(inputs=flat,units=1024,activation=tf.nn.relu)

tf.nn.relu 是一種激活函數(shù)，目前絕大多數(shù)神經(jīng)網(wǎng)絡(luò)使用的激活函數(shù)是relu

Droupout 防止過擬合

dropout = tf.layers.dropout(inputs=dense,rate=0.5)

就是為了避免訓(xùn)練數(shù)據(jù)量過大，造成過于模型過于符合數(shù)據(jù)，泛化能力大大減弱。

10個神經(jīng)元的全連接層

logits = tf.layers.dense(inputs=dropout,units=10,name="logit_1")

計算誤差，使用adam優(yōu)化器優(yōu)化誤差

#計算誤差，使用交叉熵（交叉熵用來衡量真實值和預(yù)測值的相似性）
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,logits=logits)
#學(xué)習(xí)率0.001 最小化loss值,adam優(yōu)化器
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

計算精度值

accurary = tf.metrics.accuracy(
   labels=tf.argmax(output_y,axis=1),
   predictions=tf.argmax(logits,axis=1),)[1]

創(chuàng)建會話，初始化變量

sess = tf.compat.v1.Session()#創(chuàng)建一個會話
#初始化全局變量和局部變量
init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
sess.run(init)

基本上到這里，這個程序就完成了，不過你也可以在此基礎(chǔ)上加上一些數(shù)據(jù)的輸出，使其更容易顯示整個訓(xùn)練的過程。
比如我加上了這一段

for i in range(1000):
 #獲取以batch_size為大小的一個元組，包含一組圖片和標簽
 batch = mnist.train.next_batch(50)
 train_loss,train_op_,logits_output = sess.run([loss,train_op,logits],{input_x:batch[0],output_y:batch[1]})
 if i % 100 == 0:
  test_accuracy = sess.run(accurary,{input_x:test_x,output_y:test_y})
  print(("step=%d,Train loss=%.4f,[Test accuracy=%.2f]") \
    % (i, train_loss, test_accuracy))

輸出為：

完整的代碼數(shù)據(jù)文件我整理到了GitHub 下載地址 大家如果覺得可以的話，可以給個⭐

下面就回答一些我在學(xué)習(xí)過程中的遇到的問題：

【問】如何開始學(xué)習(xí)tensorflow，小白如何入門？
【答】 我的建議是先找到自己感興趣的點，從這個點出發(fā)，通過實踐將自己不明白的方法原理通過看官網(wǎng)，看博客，查百度，一一解決。文章開頭的那個視頻，我認為作為入門還不錯，最好再有一本tensorflow相關(guān)書籍結(jié)合著來。

【問】 CNN卷積神經(jīng)網(wǎng)絡(luò)的流程是什么，其中的轉(zhuǎn)化是什么樣的？
【答】主要涉及的知識就是數(shù)組之間的計算，具體關(guān)于我對卷積神經(jīng)網(wǎng)絡(luò)的理解，可以參考這篇博客 最易懂-CNN卷積神經(jīng)網(wǎng)絡(luò)運行原理和流程

【問】訓(xùn)練好的模型如何保存或者直接拿來使用呢？
【答】具體看我的另一篇博客 模型的保存和使用 也是通過這個例子，教你如何保存模型和使用模型

【問】為什么中間有出現(xiàn)兩次卷積層，兩次池化層？
【答】這個不是必須的，有的比較復(fù)雜的模型需要很多層，每一層都是對上一層特征的提取，只是這個就是比較基本的模型，都是使用兩次。初次咱們學(xué)習(xí)的話，就使用兩次就夠了，后面學(xué)習(xí)的知識多了，就可以自己根據(jù)實際情況加了。

【問】為什么全連接層有兩個，里面的神經(jīng)元數(shù)是固定的嗎？
【答】有幾個全連接層不是固定的，你就可以理解，這個全連接層就是做最后的收尾工作的，就是將前面幾個層所提取到的信息，最后進行匯總 并顯示，所以，最后一個全連接層的神經(jīng)元必須是10，由于本次使用的ont-hot （獨熱碼）的形式來表示圖片的label，所以最后一個輸出的神經(jīng)元個數(shù)必須是10.至于前面的，大家可以嘗試多使用幾個嘗試一下。
【問】one_hot獨熱碼在咱們這個程序中是怎么使用的？
【答】其實我也是頭一次聽說這個編碼（我是小白），舉個例子吧。
0:1000000000
1:0100000000
2:0010000000
就是這種

到此這篇關(guān)于tensorflow基于CNN實戰(zhàn)mnist手寫識別(小白必看)的文章就介紹到這了,更多相關(guān)tensorflow mnist手寫識別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！