TensorFlow - 卷积神经网络

在理解了机器学习概念之后，我们现在可以将注意力转移到深度学习概念上。 深度学习是机器学习的一个分支，被认为是近几十年来研究人员迈出的关键一步。 深度学习实施的示例包括图像识别和语音识别等应用。

以下是两种重要的深度神经网络 −

• 卷积神经网络
• 循环神经网络

在本章中，我们将重点介绍 CNN，即卷积神经网络。

卷积神经网络

卷积神经网络旨在通过多层阵列处理数据。 这种类型的神经网络用于图像识别或人脸识别等应用。 CNN 与任何其他普通神经网络的主要区别在于，CNN 将输入作为二维数组并直接对图像进行操作，而不是关注其他神经网络所关注的特征提取。

CNN 的主要方法包括识别问题的解决方案。 谷歌和 Facebook 等顶级公司已投资于识别项目的研发，以更快地完成活动。

卷积神经网络使用三个基本思想 −

• 本地各个字段
• 卷积
• 池

让我们详细了解这些想法。

CNN 利用输入数据中存在的空间相关性。 神经网络的每个并发层连接一些输入神经元。 这个特定区域称为局部感受野。 局部感受野集中在隐藏的神经元上。 隐藏神经元处理上述字段内的输入数据，而没有意识到特定边界之外的变化。

以下是生成本地各个字段的示意图 −

如果我们观察上面的表示，每个连接都会学习隐藏神经元的权重，以及从一层到另一层的移动相关连接。 在这里，单个神经元时不时地进行转变。 这个过程称为"卷积"。

从输入层到隐藏特征图的连接映射被定义为"共享权重"，包含的偏差称为"共享偏差"。

CNN 或卷积神经网络使用池化层，即在 CNN 声明之后立即定位的层。 它将用户的输入作为来自卷积网络的特征图，并准备一个浓缩的特征图。 池化层有助于创建具有前一层神经元的层。

CNN 的 TensorFlow 实现

在本节中，我们将了解 CNN 的 TensorFlow 实现。 需要整个网络的执行和适当维度的步骤如下图所示 −

步骤 1 − 包括 TensorFlow 的必要模块和计算 CNN 模型所需的数据集模块。

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

步骤 2 − 声明一个名为 run_cnn() 的函数，其中包括各种参数和优化变量以及数据占位符的声明。 这些优化变量将声明训练模式。

def run_cnn():
   mnist = input_data.read_data_sets("MNIST_data/", one_hot = True)
   learning_rate = 0.0001
   epochs = 10
   batch_size = 50

步骤 3 − 在这一步中，我们将使用输入参数声明训练数据占位符 - 28 x 28 像素 = 784。这是从 mnist.train.nextbatch() 中提取的扁平图像数据。

我们可以根据我们的要求重塑张量。 第一个值 (-1) 告诉函数根据传递给它的数据量动态调整维度。 两个中间尺寸设置为图像尺寸（即 28 x 28）。

x = tf.placeholder(tf.float32, [None, 784])
x_shaped = tf.reshape(x, [-1, 28, 28, 1])
y = tf.placeholder(tf.float32, [None, 10])

步骤 4 − 现在创建一些卷积层很重要 −

layer1 = create_new_conv_layer(x_shaped, 1, 32, [5, 5], [2, 2], name = 'layer1')
layer2 = create_new_conv_layer(layer1, 32, 64, [5, 5], [2, 2], name = 'layer2')

步骤 5 − 让我们为完全连接的输出阶段准备好输出 - 经过两层 28 x 28 尺寸的步幅 2 池化后，尺寸为 14 x 14 或最小 7 x 7 x,y 坐标，但输出为 64 渠道。 要创建全连接的"密集"层，新形状需要为 [-1, 7 x 7 x 64]。 我们可以为这一层设置一些权重和偏差值，然后用 ReLU 激活。

flattened = tf.reshape(layer2, [-1, 7 * 7 * 64])

wd1 = tf.Variable(tf.truncated_normal([7 * 7 * 64, 1000], stddev = 0.03), name = 'wd1')
bd1 = tf.Variable(tf.truncated_normal([1000], stddev = 0.01), name = 'bd1')

dense_layer1 = tf.matmul(flattened, wd1) + bd1
dense_layer1 = tf.nn.relu(dense_layer1)

步骤 6 − 具有所需优化器的特定 softmax 激活的另一层定义了准确性评估，这使得初始化运算符的设置。

wd2 = tf.Variable(tf.truncated_normal([1000, 10], stddev = 0.03), name = 'wd2')
bd2 = tf.Variable(tf.truncated_normal([10], stddev = 0.01), name = 'bd2')

dense_layer2 = tf.matmul(dense_layer1, wd2) + bd2
y_ = tf.nn.softmax(dense_layer2)

cross_entropy = tf.reduce_mean(
   tf.nn.softmax_cross_entropy_with_logits(logits = dense_layer2, labels = y))

optimiser = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cross_entropy)

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

init_op = tf.global_variables_initializer()

步骤 7 − 我们应该设置记录变量。 这增加了一个摘要以存储数据的准确性。

tf.summary.scalar('accuracy', accuracy)
   merged = tf.summary.merge_all()
   writer = tf.summary.FileWriter('E:\TensorFlowProject')
   
   with tf.Session() as sess:
      sess.run(init_op)
      total_batch = int(len(mnist.train.labels) / batch_size)
      
      for epoch in range(epochs):
         avg_cost = 0
      for i in range(total_batch):
         batch_x, batch_y = mnist.train.next_batch(batch_size = batch_size)
            _, c = sess.run([optimiser, cross_entropy], feed_dict = {
            x:batch_x, y: batch_y})
            avg_cost += c / total_batch
         test_acc = sess.run(accuracy, feed_dict = {x: mnist.test.images, y:
            mnist.test.labels})
            summary = sess.run(merged, feed_dict = {x: mnist.test.images, y:
            mnist.test.labels})
         writer.add_summary(summary, epoch)

   print("\nTraining complete!")
   writer.add_graph(sess.graph)
   print(sess.run(accuracy, feed_dict = {x: mnist.test.images, y:
      mnist.test.labels}))

def create_new_conv_layer(
   input_data, num_input_channels, num_filters,filter_shape, pool_shape, name):

   conv_filt_shape = [
      filter_shape[0], filter_shape[1], num_input_channels, num_filters]

   weights = tf.Variable(
      tf.truncated_normal(conv_filt_shape, stddev = 0.03), name = name+'_W')
   bias = tf.Variable(tf.truncated_normal([num_filters]), name = name+'_b')

#Out layer defines the output
   out_layer =
      tf.nn.conv2d(input_data, weights, [1, 1, 1, 1], padding = 'SAME')

   out_layer += bias
   out_layer = tf.nn.relu(out_layer)
   ksize = [1, pool_shape[0], pool_shape[1], 1]
   strides = [1, 2, 2, 1]
   out_layer = tf.nn.max_pool(
      out_layer, ksize = ksize, strides = strides, padding = 'SAME')

   return out_layer

if __name__ == "__main__":
run_cnn()

以下是上述代码生成的输出 −

See @{tf.nn.softmax_cross_entropy_with_logits_v2}.

2018-09-19 17:22:58.802268: I
T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140]
Your CPU supports instructions that this TensorFlow binary was not compiled to
use: AVX2

2018-09-19 17:25:41.522845: W
T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:101] Allocation
of 1003520000 exceeds 10% of system memory.

2018-09-19 17:25:44.630941: W
T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:101] Allocation
of 501760000 exceeds 10% of system memory.

Epoch: 1 cost = 0.676 test accuracy: 0.940

2018-09-19 17:26:51.987554: W
T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:101] Allocation
of 1003520000 exceeds 10% of system memory.