# TensorFlow实战：CNN构建MNIST识别（Python完整源码）

def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)

def conv2d(x, W): 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')

W_conv1 = weight_variable([5, 5, 1, 32]) b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1,28,28,1])

We then convolve x_image with the weight tensor, add the bias, apply the ReLU function, and finally max pool. 我们把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1)

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)

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

keep_prob = tf.placeholder("float") h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

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)

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv)) 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, "float")) sess.run(tf.initialize_all_variables()) 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}) print "test accuracy %g"%accuracy.eval(feed_dict={ x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})

0 条评论

• ### 柯洁中盘再败！谷歌乘AlphaGo之势强推TPU，与英伟达必有一战

【新智元导读】人机对战第二场，柯洁认输，AlphaGo中盘获胜将比分改写为2：0，TPU可谓是本次AlphaGo升级的秘密武器。 由此，许多人认为，谷歌与英伟达...

• ### 黄仁勋GTC主旨演讲：从摩尔定律的尽头到深度学习大爆炸，发布新一代GPU，市值突破700亿美元（ PPT）

【新智元导读】英伟达CEO黄仁勋一年一度的GTC主旨演讲凌晨结束，新智元第一时间带来了深度报道（带PPT的）。本次大会最受关注的是，英伟达发布了新一代的GPU，...

• ### MobileNet教程(2)：用TensorFlow搭建安卓手机上的图像分类App

王瀚宸 编译自 Hackernoon 量子位 报道 | 公众号 QbitAI 上周末，量子位翻译了一份MobileNet教程，其中讲述了怎样在一个新的数据集上重...

• ### 教程 | 如何使用TensorFlow和自编码器模型生成手写数字

本文详细介绍了如何使用 TensorFlow 实现变分自编码器（VAE）模型，并通过简单的手写数字生成案例一步步引导读者实现这一强大的生成模型。 全部 VAE ...

• ### 解惑 | 深度学习入行门槛太低？

进入门槛太低正在毁掉深度学习的名声！ 这么一篇标题“忧心忡忡”的讨论帖，毫无意外的在reddit上炸了。为什么发起这么一个讨论？先看看原po主是怎么说的。 很...

• ### 【彭博】智能市场开源竞赛，谷歌遥遥领先

【新智元导读】彭博社著名科技记者Jark Clark日前撰文，分析谷歌开源深度学习软件TensorFlow对业界影响。开源有益，也让谷歌获得最大好处——让Ten...

• ### 从零开始用 TensorFlow 分析情绪，硅谷网红带你飞

Siraj Raval 作为深度学习领域的自媒体人在欧美可以说是无人不知、无人不晓。 凭借在 Youtube 上的指导视频，Siraj Raval 在全世界吸...

• ### 深度学习动手入门：GitHub上四个超棒的TensorFlow开源项目

问耕 编译自 Source Dexter 量子位 出品 | 公众号 QbitAI 作者简介：akshay pai，数据科学工程师，热爱研究机器学习问题。Sour...

• ### ICLR-17最全盘点：PyTorch超越TensorFlow，三巨头Hinton、Bengio、LeCun论文被拒，GAN泛滥

【新智元导读】机器学习&深度学习盛会 ICLR 2017 落下帷幕。本届会议都有哪些亮点？体现了哪些技术变化及趋势？对整个 AI 业界有什么影响？新智元为你带来...

• ### 【干货】谷歌 TensorFlow 工程负责人：标记大规模图片的最简方法

【新智元导读】前谷歌 TensorFlow 工程负责人 Peter Warden 和大家分享了利用 OSX 系统里的 Find 快速为大规模图片打标签，以优化深...