用简单的CNN网络实现MNIST数据集的识别：实现模型保存与调用模型进行测试

MNIST数据集的识别：实现模型保存与调用模型进行测试

完整代码
参考代码

网络部分

 def __init__(self):
        # 定义两个placeholder
        self.x = tf.placeholder(tf.float32, [None, 784], name='x-input')
        self.y = tf.placeholder(tf.float32, [None, 10], name='y-input')
        # 将数据集转变乘4D的向量[batch, in_height. in_width, in_channels]
        x_image = tf.reshape(self.x, [-1, 28, 28, 1], name='x_image')

        # 第一个卷积层
        # 定义卷积层权值和偏置值
        w_conv1 = self.weight_variable([5, 5, 1, 32], name='W_conv1')  # 5*5的采样窗口，当前深度为1，卷积层深度为32
        b_conv1 = self.bias_variable([32], name='b_conv1')  # 卷积深度为32 所以偏置值也是32
        conv2d_1 = self.conv2d(x_image, w_conv1) + b_conv1
        h_conv1 = tf.nn.relu(conv2d_1)  # 通过relu激活函数线性化
        h_pool1 = self.max_pool_2x2(h_conv1)  # max_pooling

        # 第二个卷积层
        # 定义卷积层权值和偏置值
        w_conv2 = self.weight_variable([5, 5, 32, 64], name='W_conv1')  # 5*5的采样窗口，当前深度为64，卷积层深度为64
        b_conv2 = self.bias_variable([64], name='b_conv1')  # 卷积深度为64 所以偏置值也是64
        conv2d_2 = self.conv2d(h_pool1, w_conv2) + b_conv2
        h_conv2 = tf.nn.relu(conv2d_2)  # 通过relu激活函数线性化
        h_pool2 = self.max_pool_2x2(h_conv2)  # max_pooling

        # 28*28的图片经过第一次卷积后仍然是28*28，第一次池化后变成14*14
        # 第二次卷积后为14*14，池化后为7*7
        # 经过上面的操作最后得到64张7*7的平面

        # 第一个全连接层
        w_fc1 = self.weight_variable([7 * 7 * 64, 1024], name='w_fc1')  # 前面输出为 7*7*64个神经元，所以全连接层有 1024 个神经元
        b_fc1 = self.bias_variable([1024], name='b_fc1')  # 1024个节点
        h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64], name='h_pool2_flat')  # 将输出扁平化为1维
        wx_plus_b1 = tf.matmul(h_pool2_flat, w_fc1) + b_fc1
        h_fc1 = tf.nn.relu(wx_plus_b1)

        # 去除过拟合
        self.keep_prob = tf.placeholder(tf.float32, name='keep_prob')
        h_fc1_drop = tf.nn.dropout(h_fc1, self.keep_prob, name='h_fc1_drop')

        # 第二个全连接层
        w_fc2 = self.weight_variable([1024, 10], name='w_fc2')  # 前面输出为 7*7*64个神经元，所以全连接层有 1024 个神经元
        b_fc2 = self.bias_variable([10], name='b_fc2')  # 1024个节点
        wx_plus_b2 = tf.matmul(h_fc1_drop, w_fc2) + b_fc2
        # 计算输出
        self.prediction = tf.nn.softmax(wx_plus_b2)
        # loss function
        cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y, logits=self.prediction))
        # 优化
        self.train_step = tf.train.AdamOptimizer(0.0001).minimize(cross_entropy)
        # 求准确率
        correct_prediction = tf.equal(tf.argmax(self.prediction, 1), tf.argmax(self.y, 1))
        self.accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    def weight_variable(self, shape, name):  # 定义权值
        initial = tf.truncated_normal(shape, stddev=0.1) # 生成一个截断的正态分布
        return tf.Variable(initial, name=name)

    def bias_variable(self, shape, name):  # 定义偏置值
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial, name=name)

    def conv2d(self, x, W):  # 定义卷积层
        # x为输入，大小为 [batch, height, width, channels]
        # W为filter大小，shape `[filter_height, filter_width, in_channels, out_channels]`
        # 前两项代表了过滤器的尺寸，第三个维度代表了当前的深度，第四个维度表示过滤器的深度
        # strides[0]=strides[3]=1, strides[1]代表x方向的步长，strides[2]代表y方向的步长
        # padding = 'SAME' 代表了填充的方式为补 0
        return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

    def max_pool_2x2(self, x):  # 定义池化层
        # x 为输入
        # ksize 提供了滤波器的尺寸，虽然给出了四个维度，但是第一个和最后一个数必须为1。这意味着池化层的过滤器
        # 是不可以跨不同节点矩阵深度的。。
        return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

网络部分，是一个简单的CNN网络，值得注意的是，由于训练的数据并不是很多，所以经过这样的CNN网络后，准确率不会到0.8，所以加入了一个过拟合模块，keep_prob = 0.5 表示在此全连接层中，只有一半的神经元被传递到下一层。可以简化网络。

训练部分
’‘’
class Train(object):

def __init__(self):
    self.net = Network()
    self.sess = tf.Session()
    self.sess.run(tf.global_variables_initializer())
    self.data = input_data.read_data_sets('MNIST_data', one_hot=True)

def train(self):
    # 一个循环需要训练多少个batch
    n_batch = self.data.train.num_examples // batch_size

    saver = tf.train.Saver(max_to_keep=1)  # 只保留最近一次的模型
    # 训练模型
    with tf.Session() as sess:

        sess.run(tf.global_variables_initializer())  # 初始化变量
        for i in range(1001):
            batch_xs, batch_ys = self.data.train.next_batch(batch_size)
            sess.run(self.net.train_step, feed_dict={self.net.x: batch_xs, self.net.y: batch_ys, self.net.keep_prob: 0.5})
            if i % 100 == 0:
                saver.save(sess, CKPT_DIR + '/model', global_step=i)
                test_acc = sess.run(self.net.accuracy,
                                    feed_dict={self.net.x: self.data.test.images, self.net.y: self.data.test.labels, self.net.keep_prob: 1.0})
                print("当前训练到{}batch,准确率为{}".format(i, test_acc))

训练结果
这里保存了最后一次的训练模型

测试部分
这里的测试部分并没有使用 mnist 处理好的test_batch，而是将 mnist 的jpg格式进行测试。
‘’‘

def __init__(self):
    # 清除默认图的堆栈，并设置全局图为默认图
    # 若不进行清楚则在第二次加载的时候报错，因为相当于重新加载了两次
    tf.reset_default_graph()
    self.net = Network()
    self.sess = tf.Session()
    self.sess.run(tf.global_variables_initializer())

    # 加载模型到sess中
    self.restore()
    print('load susess')

def restore(self):
    saver = tf.train.Saver()
    ckpt = tf.train.get_checkpoint_state(CKPT_DIR)
    print(ckpt.model_checkpoint_path)
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(self.sess, ckpt.model_checkpoint_path)
    else:
        raise FileNotFoundError('未保存模型')

def predict(self, image_path):
    # 读取图片并灰度化
    img = Image.open(image_path).convert('L')
    x = np.reshape(img, [1, 784])
    y = self.sess.run(self.net.prediction, feed_dict={self.net.x: x, self.net.keep_prob: 1.0})

    print(image_path)
    print(' Predict digit', np.argmax(y[0]))  # 提取出可能性最大的值

最后

以上就是愉快鱼为你收集整理的用简单的CNN网络实现MNIST数据集的识别：实现模型保存与调用模型进行测试的全部内容，希望文章能够帮你解决用简单的CNN网络实现MNIST数据集的识别：实现模型保存与调用模型进行测试所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。