tensorflow基于CNN实战mnist手写识别(小白必看)

很荣幸您能看到这篇文章，相信通过标题打开这篇文章的都是对tensorflow感兴趣的，特别是对卷积神经网络在mnist手写识别这个实例感兴趣。不管你是什么基础，我相信，你在看完这篇文章后，都能够完全理解这个实例。这对于神经网络入门的小白来说，简直是再好不过了。

通过这篇文章，你能够学习到

• tensorflow一些方法的用法
• mnist数据集的使用方法以及下载
• CNN卷积神经网络具体python代码实现
• CNN卷积神经网络原理
• 模型训练、模型的保存和载入

Tensorflow实战mnist手写数字识别

关于这个mnist手写数字识别实战，我是跟着某课网上的教学视频跟着写的

需要导入的包

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data #mnist数据用到的包

下载mnist数据

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

通过这一行代码，就可以将mnist数据集下载到本地文件夹mnist_data目录下，当然，你也可以使用绝对地址下载你想要下载的地方。这里需要注意一点是，如果第一次运行程序，由于需要下载资源的缘故，故需要一段时间，并且下载过程是没有提示的，之后下载成功时 才会提示 Success xxxxxx 。另一种方式就是直接去官网下载数据集
mnist官网 进去点击就可以直接下载了。

张量的声明

input_x = tf.compat.v1.placeholder(tf.float32,[None,28*28],name='input_x')#图片输入
output_y = tf.compat.v1.placeholder(tf.int32,[None,10],name='output_y')#结果的输出
image = tf.reshape(input_x,[-1,28,28,1])#对input_x进行改变形状，

稍微解释一下
[-1,28,28,1] -1表示不考虑输入图片的数量，28*28是图片的长和宽的像素值，1是通道数量，由于原图片是黑白的 ，所以通道是1，若是彩色图片，应为3.

取测试图片和标签

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

[:3000]表示从列表下标为0到2999 这些数据
[1:3] 表示列表下标从1到2 这些数据

卷积神经网络第一层卷积层（用最通俗的言语告诉你什么是卷积神经网络）

#第一层卷积
conv1 = tf.layers.conv2d(inputs=image,#输入
  filters=32,#32个过滤器
  kernel_size=[5,5],#过滤器在二维的大小是5*5
  strides=1,#步长是1
  padding='same',#same表示输出的大小不变，因此需要补零
  activation=tf.nn.relu#激活函数
 )#形状[28,28,32]

第二层池化层

pool1 = tf.layers.max_pooling2d(
  inputs=conv1,#第一层卷积后的值
  pool_size=[2,2],#过滤器二维大小2*2
  strides=2 #步长2
)#形状[14,14,32]

第三层卷积层2

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

第四层池化层2

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

平坦化

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

使用flat.shape 输出的形状为(?, 3136)

1024个神经元的全连接层

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

tf.nn.relu 是一种激活函数，目前绝大多数神经网络使用的激活函数是relu

Droupout 防止过拟合

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

就是为了避免训练数据量过大，造成过于模型过于符合数据，泛化能力大大减弱。

10个神经元的全连接层

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

计算误差，使用adam优化器优化误差

#计算误差，使用交叉熵（交叉熵用来衡量真实值和预测值的相似性）
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,logits=logits)
#学习率0.001 最小化loss值,adam优化器
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

计算精度值

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

创建会话，初始化变量

sess = tf.compat.v1.Session()#创建一个会话
#初始化全局变量和局部变量
init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
sess.run(init)

基本上到这里，这个程序就完成了，不过你也可以在此基础上加上一些数据的输出，使其更容易显示整个训练的过程。
比如我加上了这一段

for i in range(1000):
 #获取以batch_size为大小的一个元组，包含一组图片和标签
 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))

输出为：

完整的代码数据文件我整理到了GitHub 下载地址 大家如果觉得可以的话，可以给个⭐

下面就回答一些我在学习过程中的遇到的问题：

【问】如何开始学习tensorflow，小白如何入门？
【答】 我的建议是先找到自己感兴趣的点，从这个点出发，通过实践将自己不明白的方法原理通过看官网，看博客，查百度，一一解决。文章开头的那个视频，我认为作为入门还不错，最好再有一本tensorflow相关书籍结合着来。

【问】 CNN卷积神经网络的流程是什么，其中的转化是什么样的？
【答】主要涉及的知识就是数组之间的计算，具体关于我对卷积神经网络的理解，可以参考这篇博客 最易懂-CNN卷积神经网络运行原理和流程

【问】训练好的模型如何保存或者直接拿来使用呢？
【答】具体看我的另一篇博客 模型的保存和使用 也是通过这个例子，教你如何保存模型和使用模型

【问】为什么中间有出现两次卷积层，两次池化层？
【答】这个不是必须的，有的比较复杂的模型需要很多层，每一层都是对上一层特征的提取，只是这个就是比较基本的模型，都是使用两次。初次咱们学习的话，就使用两次就够了，后面学习的知识多了，就可以自己根据实际情况加了。

【问】为什么全连接层有两个，里面的神经元数是固定的吗？
【答】有几个全连接层不是固定的，你就可以理解，这个全连接层就是做最后的收尾工作的，就是将前面几个层所提取到的信息，最后进行汇总 并显示，所以，最后一个全连接层的神经元必须是10，由于本次使用的ont-hot （独热码）的形式来表示图片的label，所以最后一个输出的神经元个数必须是10.至于前面的，大家可以尝试多使用几个尝试一下。
【问】one_hot独热码在咱们这个程序中是怎么使用的？
【答】其实我也是头一次听说这个编码（我是小白），举个例子吧。
0:1000000000
1:0100000000
2:0010000000
就是这种

到此这篇关于tensorflow基于CNN实战mnist手写识别(小白必看)的文章就介绍到这了,更多相关tensorflow mnist手写识别内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！