关于CNN的优化

　　import numpy as np

　　# 序列化和反序列化

　　import pickle

　　from sklearn.preprocessing import OneHotEncoder

　　import warnings

　　warnings.filterwarnings('ignore')

　　import tensorflow as tf

　　数据加载(使用pickle)

　　def unpickle(file):

　　import pickle

　　with open(file, 'rb') as fo:

　　dict = pickle.load(fo, encoding='ISO-8859-1')

　　return dict

　　labels = []

　　X_train = []

　　for i in range(1,6):

　　data = unpickle('./cifar-10-batches-py/data_batch_%d'%(i))

　　labels.append(data['labels'])

　　X_train.append(data['data'])

　　# 将list类型转换为ndarray

　　X_train = np.array(X_train)

　　y_train = np.array(labels).reshape(-1)

　　# reshape

　　X_train = X_train.reshape(-1,3072)

　　# 目标值概率

　　one_hot = OneHotEncoder()

　　y_train =one_hot.fit_transform(y_train.reshape(-1,1)).toarray()

　　# 测试数据加载

　　test = unpickle('./cifar-10-batches-py/test_batch')

　　X_test = test['data']

　　y_test = one_hot.transform(np.array(test['labels']).reshape(-1,1)).toarray()

　　# 从总数据中获取一批数据

　　index = 0

　　def next_batch(X,y):

　　global index

　　batch_X = X[index*128:(index+1)*128]

　　batch_y = y[index*128:(index+1)*128]

　　index+=1

　　if index == 390:

　　index = 0

　　return batch_X,batch_y

　　构建神经网络

　　1.生成对应卷积核

　　2.tf.nn.conv2d进行卷积运算

　　3.归一化操作 tf.layers.batch_normalization

　　4.激活函数(relu)

　　5.池化操作

　　X = tf.placeholder(dtype=tf.float32,shape = [None,3072])

　　y = tf.placeholder(dtype=tf.float32,shape = [None,10])

　　kp = tf.placeholder(dtype=tf.float32)

　　def gen_v(shape,std = 5e-2):

　　return tf.Variable(tf.truncated_normal(shape = shape,stddev=std))

　　def conv(input_,filter_,b):

　　conv = tf.nn.conv2d(input_,filter_,strides=[1,1,1,1],padding='SAME') + b

　　conv = tf.layers.batch_normalization(conv,training=True)

　　conv = tf.nn.relu(conv)

　　return tf.nn.max_pool(conv,[1,3,3,1],[1,2,2,1],'SAME')

　　def net_work(X,kp):

　　# 形状改变，4维

　　input_ = tf.reshape(X,shape = [-1,32,32,3])

　　# 第一层

　　filter1 = gen_v(shape = [3,3,3,64])

　　b1 = gen_v(shape = [64])

　　pool1 = conv(input_,filter1,b1)

　　# 第二层

　　filter2 = gen_v([3,3,64,128])

　　b2 = gen_v(shape = [128])

　　pool2 = conv(pool1,filter2,b2)

　　# 第三层

　　filter3 = gen_v([3,3,128,256])

　　b3 = gen_v([256])

　　pool3 = conv(pool2,filter3,b3)

　　# 第一层全连接层

　　dense = tf.reshape(pool3,shape = [-1,4*4*256])

　　fc1_w = gen_v(shape = [4*4*256,1024])

　　fc1_b = gen_v([1024])

　　bn_fc_1 = tf.layers.batch_normalization(tf.matmul(dense,fc1_w) + fc1_b,training=True)

　　relu_fc_1 = tf.nn.relu(bn_fc_1)

　　# fc1.shape = [-1,1024]

　　# dropout

　　dp = tf.nn.dropout(relu_fc_1,keep_prob=kp)

　　# fc2 输出层

　　out_w = gen_v(shape = [1024,10])

　　out_b = gen_v(shape = [10])

　　out = tf.matmul(dp,out_w) + out_b

　　return out

　　损失函数准确率&最优化

　　out = net_work(X,kp)

　　loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=out))

　　# 准确率

　　y_ = tf.nn.softmax(out)

　　# equal 相当于 ==

　　equal = tf.equal(tf.argmax(y,axis = -1),tf.argmax(y_,axis = 1))

　　accuracy = tf.reduce_mean(tf.cast(equal,tf.float32))

　　opt = tf.train.AdamOptimizer(0.01).minimize(loss)

　　opt郑州妇科医院 http://www.120zzkd.com/

　　开启训练

　　saver = tf.train.Saver()

　　epoches = 100

　　with tf.Session() as sess:

　　sess.run(tf.global_variables_initializer())

　　for i in range(epoches):

　　batch_X,batch_y = next_batch(X_train,y_train)

　　opt_,loss_ ,score_train= sess.run([opt,loss,accuracy],feed_dict = {X:batch_X,y:batch_y,kp:0.5})

　　print('iter count:%d。mini_batch loss:%0.4f。训练数据上的准确率：%0.4f。测试数据上准确率：%0.4f'%

　　(i+1,loss_,score_train,score_test))

　　if score_train > 0.6:

　　saver.save(sess,'./model/estimator',i+1)

　　saver.save(sess,'./model/estimator',i+1)

　　score_test = sess.run(accuracy,feed_dict = {X:X_test,y:y_test,kp:1.0})

　　print('测试数据上的准确率：',score_test)

　　iter count:1。mini_batch loss:3.1455。训练数据上的准确率：0.0938。测试数据上准确率：0.2853

　　iter count:2。mini_batch loss:3.9139。训练数据上的准确率：0.2891。测试数据上准确率：0.2853

　　iter count:3。mini_batch loss:5.1961。训练数据上的准确率：0.1562。测试数据上准确率：0.2853

　　iter count:4。mini_batch loss:3.9102。训练数据上的准确率：0.2344。测试数据上准确率：0.2853

　　iter count:5。mini_batch loss:4.1278。训练数据上的准确率：0.1719。测试数据上准确率：0.2853

　　.....

　　iter count:97。mini_batch loss:1.5752。训练数据上的准确率：0.4844。测试数据上准确率：0.2853

　　iter count:98。mini_batch loss:1.8480。训练数据上的准确率：0.3906。测试数据上准确率：0.2853

　　iter count:99。mini_batch loss:1.5662。训练数据上的准确率：0.5391。测试数据上准确率：0.2853

　　iter count:100。mini_batch loss:1.7489。训练数据上的准确率：0.4141。测试数据上准确率：0.2853

　　测试数据上的准确率： 0.4711

　　epoches = 1100

　　with tf.Session() as sess:

　　saver.restore(sess,'./model/estimator-100')

　　for i in range(100,epoches):

　　batch_X,batch_y = next_batch(X_train,y_train)

　　opt_,loss_ ,score_train= sess.run([opt,loss,accuracy],feed_dict = {X:batch_X,y:batch_y,kp:0.5})

　　print('iter count:%d。mini_batch loss:%0.4f。训练数据上的准确率：%0.4f。测试数据上准确率：%0.4f'%

　　(i+1,loss_,score_train,score_test))

　　if score_train > 0.6:

　　saver.save(sess,'./model/estimator',i+1)

　　saver.save(sess,'./model/estimator',i+1)

　　if (i%100 == 0) and (i != 100):

　　score_test = sess.run(accuracy,feed_dict = {X:X_test,y:y_test,kp:1.0})

　　print('----------------测试数据上的准确率：---------------',score_test)

　　iter count:101。mini_batch loss:1.4157。训练数据上的准确率：0.5234。测试数据上准确率：0.4711

　　iter count:102。mini_batch loss:1.6045。训练数据上的准确率：0.4375。测试数据上准确率：0.4711

　　....

　　iter count:748。mini_batch loss:0.6842。训练数据上的准确率：0.7734。测试数据上准确率：0.4711

　　iter count:749。mini_batch loss:0.6560。训练数据上的准确率：0.8203。测试数据上准确率：0.4711

　　iter count:750。mini_batch loss:0.7151。训练数据上的准确率：0.7578。测试数据上准确率：0.4711

　　iter count:751。mini_batch loss:0.8092。训练数据上的准确率：0.7344。测试数据上准确率：0.4711

　　iter count:752。mini_batch loss:0.7394。训练数据上的准确率：0.7422。测试数据上准确率：0.4711

　　iter count:753。mini_batch loss:0.8732。训练数据上的准确率：0.7188。测试数据上准确率：0.4711

　　iter count:754。mini_batch loss:0.8762。训练数据上的准确率：0.6953。测试数据上准确率：0.4711