import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data# 1.数据导入
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 55000样本的训练集，5000样本的验证集，10000样本的测试集
# 2.占位符、变量、模型定义
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax Regression 将可以判定为某类的特征相加，然后将这些特征转化为判定是这一个类的概率。# 3.初始化所有的权值
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1) #截断的产生正太分布的函数,生成一系列随机值
return tf.Variable(initial)# 4.初始化所有的偏置
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)# 5.实现卷积的函数
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
'''
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
第一个参数input：要做卷积的输入图像，是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape
具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，，当其为‘SAME’时，表示卷积核可以停留在图像边缘
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
'''
#def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
'''
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：
第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
'''# 将输入转换成conv2d中input的格式来reshape
x_image = tf.reshape(x, [-1,28,28,1])"""
# 第一层
# 卷积核(filter)的尺寸是5*5, 通道数为1，输出通道为32，即feature map 数目为32
# 又因为strides=[1,1,1,1] 所以单个通道的输出尺寸应该跟输入图像一样。即总的卷积输出应该为?*28*28*32
# 也就是单个通道输出为28*28，共有32个通道,共有?个批次
# 在池化阶段，ksize=[1,2,2,1] 那么卷积结果经过池化以后的结果，其尺寸应该是？*14*14*32
"""
W_conv1 = weight_variable([5, 5, 1, 32]) # 卷积是在每个5*5的patch中算出32个特征，分别是patch大小，输入通道数目，输出通道数目
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
"""
# 第二层
# 卷积核5*5，输入通道为32，输出通道为64。
# 卷积前图像的尺寸为 ?*14*14*32， 卷积后为?*14*14*64
# 池化后，输出的图像尺寸为?*7*7*64
"""
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)# 第三层 是个全连接层,输入维数7*7*64, 输出维数为1024
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)
keep_prob = tf.placeholder(tf.float32) # 这里使用了drop out,即随机安排一些cell输出值为0，可以防止过拟合
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# 第四层，输入1024维，输出10维，也就是具体的0~9分类
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) # 使用softmax作为多分类激活函数# 损失函数，交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
# 使用adam优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 计算准确度
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))'''
reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
其中input_tensor:待求值的tensor。reduction_indices:在哪一维上求解。
如果不指定第二个参数，那么就在所有的元素中取平均值
指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值
keep_dims:表示是否保留原始数据的维度，False相当于执行完后原始数据就会少一个维度
'''# 生成saver
saver = tf.train.Saver()# 建立交互式会话
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 变量初始化
for i in range(800): # 正式可以放成2万
batch = mnist.train.next_batch(50) # 获得一批50个数据
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}) # 给训练模型提供输入和输出
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) # 训练完以后，使用saver.save 来保存
save_path = saver.save(sess, "tmp_mnist_cnn/model.ckpt")
print ("Model saved in file: ", save_path)
报错求解 File "<ipython-input-1-c24fe72fc1e6>", line 1, in <module>
runfile('C:/Users/laohe/Desktop/shiyan/model_cnn.py', wdir='C:/Users/laohe/Desktop/shiyan') File "C:\Users\laohe\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile
execfile(filename, namespace) File "C:\Users\laohe\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile
exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/laohe/Desktop/shiyan/model_cnn.py", line 126, in <module>
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) File "C:\Users\laohe\Anaconda3\lib\site-packages\tensorflow\python\framework\ops.py", line 656, in eval
return _eval_using_default_session(self, feed_dict, self.graph, session) File "C:\Users\laohe\Anaconda3\lib\site-packages\tensorflow\python\framework\ops.py", line 5002, in _eval_using_default_session
raise ValueError("Cannot evaluate tensor using `eval()`: No default "ValueError: Cannot evaluate tensor using `eval()`: No default session is registered. Use `with sess.as_default()` or pass an explicit session to `eval(session=sess)`
from tensorflow.examples.tutorials.mnist import input_data# 1.数据导入
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 55000样本的训练集，5000样本的验证集，10000样本的测试集
# 2.占位符、变量、模型定义
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax Regression 将可以判定为某类的特征相加，然后将这些特征转化为判定是这一个类的概率。# 3.初始化所有的权值
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1) #截断的产生正太分布的函数,生成一系列随机值
return tf.Variable(initial)# 4.初始化所有的偏置
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)# 5.实现卷积的函数
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
'''
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
第一个参数input：要做卷积的输入图像，是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape
具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，，当其为‘SAME’时，表示卷积核可以停留在图像边缘
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
'''
#def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
'''
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：
第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
'''# 将输入转换成conv2d中input的格式来reshape
x_image = tf.reshape(x, [-1,28,28,1])"""
# 第一层
# 卷积核(filter)的尺寸是5*5, 通道数为1，输出通道为32，即feature map 数目为32
# 又因为strides=[1,1,1,1] 所以单个通道的输出尺寸应该跟输入图像一样。即总的卷积输出应该为?*28*28*32
# 也就是单个通道输出为28*28，共有32个通道,共有?个批次
# 在池化阶段，ksize=[1,2,2,1] 那么卷积结果经过池化以后的结果，其尺寸应该是？*14*14*32
"""
W_conv1 = weight_variable([5, 5, 1, 32]) # 卷积是在每个5*5的patch中算出32个特征，分别是patch大小，输入通道数目，输出通道数目
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
"""
# 第二层
# 卷积核5*5，输入通道为32，输出通道为64。
# 卷积前图像的尺寸为 ?*14*14*32， 卷积后为?*14*14*64
# 池化后，输出的图像尺寸为?*7*7*64
"""
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)# 第三层 是个全连接层,输入维数7*7*64, 输出维数为1024
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)
keep_prob = tf.placeholder(tf.float32) # 这里使用了drop out,即随机安排一些cell输出值为0，可以防止过拟合
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# 第四层，输入1024维，输出10维，也就是具体的0~9分类
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) # 使用softmax作为多分类激活函数# 损失函数，交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
# 使用adam优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 计算准确度
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))'''
reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
其中input_tensor:待求值的tensor。reduction_indices:在哪一维上求解。
如果不指定第二个参数，那么就在所有的元素中取平均值
指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值
keep_dims:表示是否保留原始数据的维度，False相当于执行完后原始数据就会少一个维度
'''# 生成saver
saver = tf.train.Saver()# 建立交互式会话
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 变量初始化
for i in range(800): # 正式可以放成2万
batch = mnist.train.next_batch(50) # 获得一批50个数据
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}) # 给训练模型提供输入和输出
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) # 训练完以后，使用saver.save 来保存
save_path = saver.save(sess, "tmp_mnist_cnn/model.ckpt")
print ("Model saved in file: ", save_path)
报错求解 File "<ipython-input-1-c24fe72fc1e6>", line 1, in <module>
runfile('C:/Users/laohe/Desktop/shiyan/model_cnn.py', wdir='C:/Users/laohe/Desktop/shiyan') File "C:\Users\laohe\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile
execfile(filename, namespace) File "C:\Users\laohe\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile
exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/laohe/Desktop/shiyan/model_cnn.py", line 126, in <module>
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) File "C:\Users\laohe\Anaconda3\lib\site-packages\tensorflow\python\framework\ops.py", line 656, in eval
return _eval_using_default_session(self, feed_dict, self.graph, session) File "C:\Users\laohe\Anaconda3\lib\site-packages\tensorflow\python\framework\ops.py", line 5002, in _eval_using_default_session
raise ValueError("Cannot evaluate tensor using `eval()`: No default "ValueError: Cannot evaluate tensor using `eval()`: No default session is registered. Use `with sess.as_default()` or pass an explicit session to `eval(session=sess)`
