tensorflow下 自制rfrecords数据集采用one-hot编码做图像分类源码

tensorflow下 自制rfrecords数据集采用one-hot编码做图像分类源码

# -*- coding: utf-8 -*-
“““
Created on Sat Feb 23 23:21:44 2019

@author: Administrator
“““

import tensorflow as tf
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from RTFrcord_read_data import read_and_decode


############################################################################################
height=100
weight=100

#############################################################################################
batch_size=432
 
#定义初始化权重和偏置函数
def weight_variable（shape）:
    return（tf.Variable（tf.random_normal（shapestddev=0.01）））
def bias_variable（shape）:
    return（tf.Variable（tf.constant（0.1shape=shape）））
#定义输入数据和dropout占位符
X=tf.placeholder（tf.float32[batch_sizeheight weight3]）
y_=tf.placeholder（tf.float32[batch_size8]）
keep_pro=tf.placeholder（tf.float32）
 
#搭建网络
def model（Xkeep_pro）:
    w1=weight_variable（[55332]）
    b1=bias_variable（[32]）
    conv1=tf.nn.relu（tf.nn.conv2d（Xw1strides=[1111]padding=‘SAME‘）+b1）
    pool1=tf.nn.max_pool（conv1ksize=[1441]strides=[1441]padding=‘SAME‘）
    
    w2=weight_variable（[553264]）
    b2=bias_variable（[64]）
    conv2=tf.nn.relu（tf.nn.conv2d（pool1w2strides=[1111]padding=‘SAME‘）+b2）
    pool2=tf.nn.max_pool（conv2ksize=[1441]strides=[1441]padding=‘SAME‘） 
    tensor=tf.reshape（pool2[batch_size-1]）
    dim=tensor.get_shape（）[1].value
    w3=weight_variable（[dim1024]）
    b3=bias_variable（[1024]）
    fc1=tf.nn.relu（tf.matmul（tensorw3）+b3）
    h_fc1=tf.nn.dropout（fc1keep_pro）
    w4=weight_variable（[10248]）
    b4=bias_variable（[8]）
    y_conv=tf.nn.softmax（tf.matmul（h_fc1w4）+b4）
    return（y_conv）
 
#定义网络，并设置损失函数和训练器
y_conv=model（Xkeep_pro）
cost=tf.reduce_mean（-tf.reduce_sum（y_*tf.log（y_conv）reduction_indices=[1]））
train_step=tf.train.AdamOptimizer（0.001）.minimize（cost）
#计算准确率
correct_prediction=tf.equal（tf.argmax（y_conv1）tf.argmax（y_1））
accuracy=tf.reduce_mean（tf.cast（correct_predictiontf.float32））

#读取tfrecords数据
imagelabel=read_and_decode（“train1.tfrecords“）
#定义会话，并开始训练
with tf.Session（） as sess:
    tf.global_variables_initializer（）.run（）
    #定义多线程
    coord=tf.train.Coordinator（）
    threads=tf.train.start_queue_runners（coord=coord）
    #定义训练图像和标签
    example=np.zeros（（batch_sizeheight weight3））
    l=np.zeros（（batch_size1））
    try:
        #将数据存入example和l并将转化成one_hot形式
        for epoch in range（batch_size）:
            example[epoch]l[epoch]=sess.run（[imagelabel]）
        print（l）  
       
        enc=OneHotEncoder（）
        l=enc.fit_transform（l）
        l=l.toarray（）
        print（l）
        for i in range（100）:
            #开始训练
            sess.run（train_stepfeed_dict={X:exampley_:lkeep_pro:0.5}）
            if i%10==0:
                print（‘train step‘‘%04d ‘ %（i+1）‘Accuracy=‘sess.run（accuracyfeed_dict={X:exampley_:lkeep_pro:0.5}））
    except tf.errors.OutOfRangeError:
        print（‘done!‘）
    finally:
   

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3234  2019-02-23 23:47  RTFrcords\data_classification.py

     文件       1743  2019-02-23 23:47  RTFrcords\RTFrcord_read_data.py

     文件       1819  2019-02-23 23:08  RTFrcords\RTFrcord_save_data.py

     文件   13016413  2019-02-23 23:09  RTFrcords\train1.tfrecords

     文件        893  2019-02-23 23:27  RTFrcords\__pycache__\RTFrcord_read_data.cpython-36.pyc

     目录          0  2019-02-23 23:27  RTFrcords\__pycache__

     目录          0  2019-02-23 23:27  RTFrcords

----------- ---------  ---------- -----  ----

             13024102                    7