本文使用的数据集是MNIST，主要使用两个卷积层加一个全连接层构建的卷积神经网络。
先载入MNIST数据集（手写数字识别集），并创建默认的Interactive Session（在没有指定回话对象的情况下运行变量）
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession(）
在定义一个初始化函数，因为卷积神经网络有很多权重和偏置需要创建。
def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) #给权重制造一些随机的噪声来打破完全对称， return tf.Variable(initial) #使用relu，给偏置增加一些小正值0.1，用来避免死亡节点 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)
卷积移动步长都是1代表会不遗漏的划过图片的每一个点，padding代表边界处理方式，same表示给边界加上padding让卷积的输出和输入保持同样的尺寸。
def conv2d(x,W):#2维卷积函数，x输入，w是卷积的参数，strides代表卷积模板移动步长
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')
在正式设计卷积神经网络结构前，先定义输入的placeholder(类似于c++的cin，要求用户运行时输入)。因为卷积神经网络会利用到空间结构信息，因此需要将一维的输入向量转换为二维的图片结构。同时因为只有一个颜色通道，所以最后尺寸为【-1, 28，28， 1]，-1代表样本数量不固定，1代表颜色通道的数量。
这里的tf.reshape是tensor变形函数。
x = tf.placeholder(tf.float32, [None, 784])# x 时特征 y_ = tf.placeholder(tf.float32, [None, 10])# y_时真实的label x_image = tf.reshape(x, [-1, 28, 28,1])
接下来定义第一个卷积层。
w_conv1 = weight_variable([5, 5, 1, 32]) #代表卷积核尺寸为5X5，1个颜色通道，32个不同的卷积核，使用conv2d函数进行卷积操作， b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1)
定义第二个卷积层，与第一个卷积层一样，只不过卷积核的数量变成了64，即这层卷积会提取64种特征
w_conv2 = weight_variable([5, 5, 32, 64])#这层提取64种特征 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2)
经过两次步长为2x2的最大池化，此时图片尺寸变成了7x7，在使用tf.reshape函数，对第二个卷积层的输出tensor进行变形，将其从二维转为一维向量，在连接一个全连接层（隐含节点为1024），使用relu激活函数。
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)
Dropout层：随机丢弃一部分节点的数据来减轻过拟合。这里是通过一个placeholder传入keep_prob比率来控制的。
#为了减轻过拟合，使用一个Dropout层 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout层的输出连接一个softmax层，得到最后的概率输出 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)
定义损失函数即评测准确率操作
#损失函数，并且定义优化器为Adam
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv),
reduction_indices=[1]))
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, tf.float32))
开始训练
#初始化所有参数
tf.global_variables_initializer().run()
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})
全部训练完成后，我们在最终的测试集上进行全面的测试，得到整体的分类准确率。
print("test accuracy %g" %accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
这个网络，参与训练的样本数量总共为100万，共进行20000次训练迭代，使用大小为50的mini_batch。
因为我安装的版本时CPU版的tensorflow，所以运行较慢，这个模型最终的准确性约为99.2%，基本可以满足对手写数字识别准确率的要求。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？