V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
zbl430
V2EX  ›  TensorFlow

TensorFlow MNIST 求助

  •  
  •   zbl430 · 2017-07-05 16:45:56 +08:00 · 1544 次点击
    这是一个创建于 1615 天前的主题,其中的信息可能已经有所发展或是发生改变。
    #! /usr/bin/env python
    # -*- coding: utf-8 -*-
    
    import time
    import input_data
    import tensorflow as tf
    
    
    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')
    
    
    # 计算开始时间
    start = time.clock()
    # MNIST 数据输入
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
    
    x = tf.placeholder(tf.float32, [None, 784])  # 图像输入向量
    W = tf.Variable(tf.zeros([784, 10]))  # 权重,初始化值为全零
    b = tf.Variable(tf.zeros([10]))  # 偏置,初始化值为全零
    
    # 第一层卷积,由一个卷积接一个 maxpooling 完成,卷积在每个
    # 5x5 的 patch 中算出 32 个特征。
    # 卷积的权重张量形状是[5, 5, 1, 32],前两个维度是 patch 的大小,
    # 接着是输入的通道数目,最后是输出的通道数目。
    # 而对于每一个输出通道都有一个对应的偏置量。
    W_conv1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    
    x_image = tf.reshape(x, [-1, 28, 28, 1])  # 最后一维代表通道数目,如果是 rgb 则为 3
    # x_image 权重向量卷积,加上偏置项,之后应用 ReLU 函数,之后进行 max_polling
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)
    
    # 实现第二层卷积
    
    # 每个 5x5 的 patch 会得到 64 个特征
    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)
    
    # 密集连接层
    W_fc1 = weight_variable([7 * 7 * 64, 1024])
    b_fc1 = bias_variable([1024])
    
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
    
    # Dropout, 用来防止过拟合 #加在输出层之前,训练过程中开启 dropout,测试过程中关闭
    keep_prob = tf.placeholder("float")
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
    
    # 输出层, 添加 softmax 层
    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)
    
    # 训练和评估模型
    y_ = tf.placeholder("float", [None, 10])
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))  # 计算交叉熵
    # 使用 adam 优化器来以 0.0001 的学习率来进行微调
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
    # 判断预测标签和实际标签是否匹配
    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    
    # 启动创建的模型,并初始化变量
    saver = tf.train.Saver()  # 声明 tf.train.Saver 类用于保存模型 write_version=tf.train.SaverDef.V1
    sess = tf.Session()
    sess.run(tf.initialize_all_variables())
    
    # 开始训练模型,循环训练 20000 次
    for i in range(20000):
        batch = mnist.train.next_batch(100)  # batch 大小设置为 50
        if i % 1000 == 0:
            train_accuracy = accuracy.eval(session=sess, feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
            print("step %d, train_accuracy %g" % (i, train_accuracy))
        # 神经元输出保持不变的概率 keep_prob 为 0.5
        train_step.run(session=sess, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
    
    # 神经元输出保持不变的概率 keep_prob 为 1,即不变,永远保持输出
    print("test accuracy %g" % accuracy.eval(session=sess, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
    
    # 计算程序结束时间
    end = time.clock()
    saver_path = saver.save(sess, "save/model.ckpt")  # 将模型保存到 save/model.ckpt 文件
    print("Model saved in file:", saver_path)
    print("running time is %g s" % (end - start))
    
    

    上面的代码将训练的结果进行保存

    下面的代码使用训练结果进行识别

    #! /usr/bin/env python
    # -*- coding: utf-8 -*-
    
    """"""
    from PIL import Image
    from numpy import *
    import tensorflow as tf
    import sys
    
    if len(sys.argv) < 2:
        print('argv must at least 2. you give '+str(len(sys.argv)))
        sys.exit()
    filename = sys.argv[1]
    im = Image.open(filename)
    img = array(im.resize((28, 28), Image.ANTIALIAS).convert("L"))
    data = img.reshape([1, 784])
    
    x = tf.placeholder(tf.float32, [None, 784])
    W = tf.Variable(tf.zeros([784, 10]))
    b = tf.Variable(tf.zeros([10]))
    
    y = tf.nn.softmax(tf.matmul(x, W) + b)
    
    saver = tf.train.Saver()
    init_op = tf.initialize_all_variables()
    
    with tf.Session() as sess:
        sess.run(init_op)
        save_path = "./save/model.ckpt"
        saver.restore(sess, save_path)
        predictions = sess.run(y, feed_dict={x: data})
        print(predictions[0])
    
    

    使用的图片是张黑白的 数字 4

    结果是:[ 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1]

    这结果不对啊,起码也应该是:[ 0.1 0.1 0.1 0.1 1.0 0.1 0.1 0.1 0.1 0.1]

    求大神帮忙!!!!!

    2 条回复    2017-07-06 09:43:03 +08:00
    ivechan
        1
    ivechan  
       2017-07-05 21:47:46 +08:00   ❤️ 1
    你 train 的 model 结构和做 predict 的 model 结构完全不一样, 怎么可能得到正确结果。
    你 train 的时候 model 是各种 cnn + pool +fc,predict 的 model 却是 只有一个简单的 fc layer。
    或许你可以看看他怎么写
    https://github.com/niektemme/tensorflow-mnist-predict
    zbl430
        2
    zbl430  
    OP
       2017-07-06 09:43:03 +08:00
    @ivechan 真的非常感谢,我找了好久找的就是这个!!
    关于   ·   帮助文档   ·   API   ·   FAQ   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   2802 人在线   最高记录 5497   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 21ms · UTC 11:48 · PVG 19:48 · LAX 03:48 · JFK 06:48
    ♥ Do have faith in what you're doing.