tensorflow官方教程: 卷积神经网络CNN在数据集CIFAR-10上分类

本文主要包含如下内容:



* tensorflow官方教程 卷积神经网络CNN在数据集CIFAR-10上分类
<https://blog.csdn.net/u010579901/article/details/79074024#tensorflow官方教程-卷积神经网络cnn在数据集cifar-10上分类>
* 训练测试代码 <https://blog.csdn.net/u010579901/article/details/79074024#训练测试代码>
* 自拟训练代码 <https://blog.csdn.net/u010579901/article/details/79074024#自拟训练代码>


  本篇博客来自原始英文教程原始教程 <https://www.tensorflow.org/tutorials/deep_cnn>
,你可以参照原始教程以及本篇博客进行学习。
  官方原始教程中首先介绍了CIFAR-10
数据集,然后介绍了卷积神经网络模型的搭建,随后进行训练和测试网络。若不清楚的你可以自行阅读原文,这里,我们之间进入重点,讲解官方提供的相关代码。

训练测试代码

  官方教程提供了 CIFAR-10 数据集以及相关训练测试代码,代码位于 models/tutorials/image/cifar10/
中。其中包含以下文件:
cifar10_input.py 读取本地CIFAR-10二进制文件格式。 cifar10.py 构建CIFAR-10模型。
cifar10_train.py 在CPU或GPU上训练CIFAR-10模型。 cifar10_multi_gpu_train.py
在多个GPU上训练CIFAR-10模型。 cifar10_eval.py 评估CIFAR-10模型的预测性能。
  其中,网络主要包含在cifar10.py中,包含模型输入、模型训练和模型预测。
  针对模型输入:代码编写了 inputs() 和 distorted_inputs()
两个函数,实现了图像数据的读取和预处理操作:对数据进行了DataAugmentation(数据增强),包括了随机的水平翻转、随机剪切一块24*24的图片、设置随机的亮度和对比度以及对数据进行标准化。通过这些操作,我们可以获得更多的带噪声的样本,扩大了样本容量,对提高准确率有所帮助。具体代码见
cifar10_input.py。
  针对模型预测:代码编写了前馈网络,网络结构如下表所示:
  
  针对模型的训练:代码中定义了损失函数,运用了交叉熵损失,并且定义优化器,定义计算Top K 准确率操作。

  在模型和相关训练测试代码编写完成后,我们运行相关代码,实现训练和测试:
python cifar10_train.py python cifar10_eval.py
自拟训练代码

  为了进一步学习tensorflow,我们自拟代码,实现网络的训练,可以参考博客
<http://blog.csdn.net/marsjhao/article/details/72900646>,并结合本篇论文进行学习。
#coding=utf-8 import tensorflow as tf import numpy as np import time import
cifar10,cifar10_input max_steps =1000000 # 最大迭代轮数 batch_size = 128 # 批大小
data_dir ='/tmp/cifar10_data/cifar-10-batches-bin' # 数据所在路径 ## 初始化 weight 函数 def
_variable_with_weight_decay(shape, stddev, wd): var =
tf.Variable(tf.truncated_normal(shape, stddev=stddev))if wd is not None:
weight_decay = tf.multiply(tf.nn.l2_loss(var), wd, name='weight_loss')
tf.add_to_collection('losses', weight_decay) return var ##
下载数据库cifar10至'/tmp/cifar10_data' cifar10.maybe_download_and_extract() ##
进行数据增强,读取图像数据和标签 images_train, labels_train =
cifar10_input.distorted_inputs(data_dir=data_dir, batch_size=batch_size)#
裁剪图片正中间的24*24大小的区块并进行数据标准化操作 images_test, labels_test =
cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size)
# 定义placeholder # 注意此处输入尺寸的第一个值应该是batch_size而不是None image_holder =
tf.placeholder(tf.float32, [batch_size,24, 24, 3]) label_holder =
tf.placeholder(tf.int32, [batch_size])## 定义网络 ## 卷积层1 weight1 =
_variable_with_weight_decay(shape=[5, 5, 3, 64],stddev=5e-2,wd=0.0) kernel1 =
tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME') bias1 =
tf.Variable(tf.constant(0.0, shape=[64])) conv1 =
tf.nn.relu(tf.nn.bias_add(kernel1, bias1)) pool1 = tf.nn.max_pool(conv1, ksize=[
1, 3, 3, 1], strides=[1, 2, 2, 1],padding='SAME') norm1 = tf.nn.lrn(pool1, 4,
bias=1.0, alpha=0.001 / 9.0, beta=0.75) # 卷积层2 weight2 =
_variable_with_weight_decay([5, 5, 64, 64], stddev=5e-2, wd=0.0) kernel2 =
tf.nn.conv2d(norm1, weight2, strides=[1, 1, 1, 1], padding='SAME') bias2 =
tf.Variable(tf.constant(0.1, shape=[64])) conv2 =
tf.nn.relu(tf.nn.bias_add(kernel2, bias2)) norm2 = tf.nn.lrn(conv2,4, bias=1.0,
alpha=0.001 / 9.0, beta=0.75) pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1
],strides=[1, 2, 2, 1], padding='SAME') # 全连接层3 reshape = tf.reshape(pool2,
[batch_size, -1]) # 将每个样本reshape为一维向量 dim = reshape.get_shape()[1].value #
取每个样本的长度 weight3 = _variable_with_weight_decay([dim, 384], stddev=0.04, wd=0.004
) bias3 = tf.Variable(tf.constant(0.1, shape=[384])) local3 =
tf.nn.relu(tf.matmul(reshape, weight3) + bias3)# 全连接层4 weight4 =
_variable_with_weight_decay([384, 192], stddev=0.04, wd=0.004) bias4 =
tf.Variable(tf.constant(0.1, shape=[192])) local4 =
tf.nn.relu(tf.matmul(local3, weight4) + bias4)# 全连接层5 weight5 =
_variable_with_weight_decay([192, 10],stddev=1/192.0, wd=0.0) bias5 =
tf.Variable(tf.constant(0.0, shape=[10])) logits = tf.add(tf.matmul(local4,
weight5), bias5)# 定义损失函数loss def loss(logits, labels): labels = tf.cast(labels,
tf.int64) cross_entropy =
tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels, logits=logits,
name='cross_entropy_per_example') cross_entropy_mean =
tf.reduce_mean(cross_entropy, name='cross_entropy') tf.add_to_collection(
'losses', cross_entropy_mean) return tf.add_n(tf.get_collection('losses'), name=
'total_loss') # 定义loss loss = loss(logits, label_holder) train_op =
tf.train.AdamOptimizer(1e-3).minimize(loss) # 定义优化器 top_k_op =
tf.nn.in_top_k(logits, label_holder,1) # 定义会话并开始迭代训练 sess =
tf.InteractiveSession() tf.global_variables_initializer().run()# 启动图片数据增强的线程队列
tf.train.start_queue_runners()# 迭代训练 for step in range(max_steps): start_time =
time.time() image_batch, label_batch = sess.run([images_train, labels_train])#
获取训练数据 _, loss_value = sess.run([train_op, loss],feed_dict={image_holder:
image_batch,label_holder: label_batch}) duration = time.time() - start_time#
计算每次迭代需要的时间 if step % 10 == 0: examples_per_sec = batch_size / duration #
每秒处理的样本数 sec_per_batch = float(duration) # 每批需要的时间 format_str = ('step %d,
loss=%.2f (%.1f examples/sec; %.3f sec/batch)') print(format_str % (step,
loss_value, examples_per_sec, sec_per_batch))# 在测试集上测评准确率 num_examples = 10000
import math num_iter = int(math.ceil(num_examples / batch_size)) true_count = 0
total_sample_count = num_iter * batch_size step =0 while step < num_iter:
image_batch, label_batch = sess.run([images_test, labels_test]) predictions =
sess.run([top_k_op],feed_dict={image_holder: image_batch,label_holder:
label_batch}) true_count += np.sum(predictions) step +=1 precision = true_count
/ total_sample_count print('precision @ 1 =%.3f' % precision)