资源简介
卷积神经网络在图像识别应用,此压缩包包括代码。
代码片段和文件信息
# -*- coding: utf-8 -*-
“““
@author: Mingming
“““
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
import os
import cv2
import numpy as np
mnist = input_data.read_data_sets(“MNIST_data/“ one_hot=True) #下载并加载mnist数据
x = tf.placeholder(tf.float32 [None 784]) #输入的数据占位符
y_actual = tf.placeholder(tf.float32 shape=[None 10]) #输入的标签占位符
#定义一个函数,用于初始化所有的权值 W
def weight_variable(shape):
initial = tf.truncated_normal(shape stddev=0.01)
return tf.Variable(initial)
#定义一个函数,用于初始化所有的偏置项 b
def bias_variable(shape):
initial = tf.constant(0.1 shape=shape)
return tf.Variable(initial)
#定义一个函数,用于构建卷积层
def conv2d(x W):
return tf.nn.conv2d(x W strides=[1 1 1 1] padding=‘SAME‘)
#定义一个函数,用于构建池化层
def max_pool(x):
return tf.nn.max_pool(x ksize=[1 2 2 1]strides=[1 2 2 1] padding=‘SAME‘)
def predict(image):
if os.path.exists(“./modelSave/checkpoint“):
saver.restore(sess“./modelSave/model.ckpt“)
print(sess.run(tf.argmax(y_predict1)feed_dict={x_image:[image]keep_prob:1}))
#print(tf.argmax(y_predict1))
#构建网络
x_image = tf.reshape(x [-128281]) #转换输入数据shape以便于用于网络中
W_conv1 = weight_variable([5 5 1 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image W_conv1) + b_conv1) #第一个卷积层
h_pool1 = max_pool(h_conv1) #第一个池化层
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) #第二个卷积层
h_pool2 = max_pool(h_conv2) #第二个池化层
W_fc1 = weight_variable([7 * 7 * 64 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2 [-1 7*7*64]) #reshape成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat W_fc1) + b_fc1) #第一个全连接层
keep_prob = tf.placeholder(“float“)
h_fc1_drop = tf.nn.dropout(h_fc1 keep_prob) #dropout层
W_fc2 = weight_variable([1024 10])
b_fc2 = bias_variable([10])
y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop W_fc2) + b_fc2) #softmax层
cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵
train_step = tf.train.RMSPropOptimizer(1e-7).minimize(cross_entropy) #梯度下降法
correct_prediction = tf.equal(tf.argmax(y_predict1) tf.argmax(y_actual1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction “float“)) #精确度计算
sess=tf.InteractiveSession()
#sess.run(tf.initialize_all_variables())
#sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
if not os.path.exists(“modelSave“):
os.mkdir(“modelSave“)
def train():
if os.path.exists(“./modelSave/model.ckpt.index“):
saver.restore(sess“./modelSave/model.ckpt“)
for i in range(20000):
batch = mnist.train.next_batch(100)
if i%100 == 0: #训练100次,验证一次
train_acc = accuracy.eval(feed_dict={x:batch[0] y_actual: batch[1] keep_prob: 1.0})
print(‘step‘i‘trainin
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2019-03-21 20:01 CNN_Test\
目录 0 2019-03-21 09:14 CNN_Test\MNIST_data\
文件 1648877 2018-08-08 21:27 CNN_Test\MNIST_data\t10k-images-idx3-ubyte.gz
文件 9912422 2018-08-08 21:27 CNN_Test\MNIST_data\train-images-idx3-ubyte.gz
文件 28881 2018-08-08 21:27 CNN_Test\MNIST_data\train-labels-idx1-ubyte.gz
文件 4542 2018-08-08 21:27 CNN_Test\MNIST_data\t10k-labels-idx1-ubyte.gz
文件 8196 2019-03-21 20:39 CNN_Test\.DS_Store
目录 0 2019-03-21 20:42 __MACOSX\
目录 0 2019-03-21 20:42 __MACOSX\CNN_Test\
文件 120 2019-03-21 20:39 __MACOSX\CNN_Test\._.DS_Store
文件 3847 2019-03-21 20:02 CNN_Test\CNN.py
文件 493 2019-03-21 19:16 CNN_Test\Convolution_without_pool.py
文件 210 2019-03-21 19:16 __MACOSX\CNN_Test\._Convolution_without_pool.py
文件 1417 2019-03-21 18:53 CNN_Test\ConvolutionTest.py
文件 176 2019-03-21 18:53 __MACOSX\CNN_Test\._ConvolutionTest.py
目录 0 2019-03-21 10:52 CNN_Test\testEvalPics\
文件 6148 2019-03-21 18:19 CNN_Test\testEvalPics\.DS_Store
目录 0 2019-03-21 20:42 __MACOSX\CNN_Test\testEvalPics\
文件 120 2019-03-21 18:19 __MACOSX\CNN_Test\testEvalPics\._.DS_Store
文件 33447 2019-03-21 10:46 CNN_Test\testEvalPics\test7.jpg
文件 210 2019-03-21 10:46 __MACOSX\CNN_Test\testEvalPics\._test7.jpg
文件 11446 2019-03-21 10:49 CNN_Test\testEvalPics\test5.png
文件 588 2019-03-21 10:49 __MACOSX\CNN_Test\testEvalPics\._test5.png
文件 16475 2019-03-21 10:50 CNN_Test\testEvalPics\test5.jpg
文件 210 2019-03-21 10:50 __MACOSX\CNN_Test\testEvalPics\._test5.jpg
文件 15982 2019-03-21 10:52 CNN_Test\testEvalPics\test2.jpg
文件 210 2019-03-21 10:52 __MACOSX\CNN_Test\testEvalPics\._test2.jpg
文件 15982 2019-03-21 10:51 CNN_Test\testEvalPics\test2
文件 323 2019-03-21 10:51 __MACOSX\CNN_Test\testEvalPics\._test2
目录 0 2019-03-21 19:59 CNN_Test\modelSave\
文件 64472 2019-03-21 19:58 CNN_Test\modelSave\model.ckpt.me
............此处省略3个文件信息
- 上一篇:jrebel配置及破解.zip
- 下一篇:revit中国样板
相关资源
- 深度学习/图像识别/TensorFlow
- fashion-mnist数据集
- 深度学习 [deep learning] AI圣经 Deep Lea
- 一天弄懂深度学习-李宏毅PPT+PDF超级高
- 解压后的MNIST数据集
- 深度学习车牌识别模型.zip
- 深度学习 智能时代的核心驱动力量
- imdb.npz数据集
- tensorflow实战+实战Google深度学习框架
- 基于深度学习的目标检测程序
- 吴恩达老师深度学习第一课神经网络
- 深度学习 AI圣经 中文高清版 带完整目
- Coursera课程Deeplearning深度学习笔记+课
- 深度学习打标软件.rar
- 用于视频的目标检测
- 深度学习-21天实战caffe高清.pdf版
- 基于深度学习的计算机视觉.pdf
- 语音识别 论文合集
- caffe验证码识别数据集及模型
- 深度学习(花书)代码和笔记
- 一天搞懂深度学习.
- Tensorflow 实战Google深度学习框架 源码
- 深度学习降水预测交流+新方向探索
- 动手学深度学习中文电子版
- 阿里天池FashionAI服装属性标签图像识
- 深度学习入门的经典论文翻译7篇英文
- 深度学习PDF非扫描版(中文版)麻省
- CS231n课程笔记翻译 全 带书签 PDF
- 深度学习博硕论文合集1
- 深度学习 21天实战Caffe.pdf 高清完整版
评论
共有 条评论