tensorflow实现卷积神经网络经典案例识别手写数字.pdfVIP

yotensorflow实现卷积神经网络经典案例 --识别手写数字 import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib.cm as cm %matplotlib inline import tensorflow as tf #参数设置 learning_rate=1e-4 training_iterations=2000 dropout=0.5 batch_size=50 #所有的训练样本分批训练的效率最高，每一批的训练样本数量就是 batch validation_size=2000 image_to_display=10 数据准备： data=pd.read_csv(.../train.csv) images=data.iloc[:,1:].values images=images.astype(np.float) #对训练数据进行归一化处理， [0:255]=[0.0:1.0] images=np.multiply(images,1.0/255.0) #print(images({0[0]},{0[1]}).format(images.shape)) 可以查看数据格式，输出结果为 data(42000,784) image_size=images.shape[1] image_width=image_height=np.ceil(np.sqrt(image_size)).astype(np.uint8) #定义显示图片的函数 def display(img): #从 784=28*28 one_img=img.reshape(image_width,image_height) plt.axis(off) plt.imshow(one_img,cmap=cm.binary) display(images[10]) # 显示数据表格中第十条数据代表的数字，结果如下图 labels_flat=data.iloc[:,0].values.ravel() labels_count=np.unique(labels_flat).shape[0] #定义 one-hot 编码函数 def dense_to_one_hot(labels_dense, num_classes): num_labels = labels_dense.shape[0] index_offset = np.arange(num_labels) * num_classes labels_one_hot = np.zeros((num_labels, num_classes)) labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1 return labels_one_hot labels = dense_to_one_hot(labels_flat, labels_count) labels = labels.astype(np.uint8) #print(labels[10]) 的输出结果为 [0 0 0 0 0 0 0 0 1 0] ，代表数据集中第 10 个数字的实际值为 8 #将数据拆分成用于训练和验证两部分 validation_images=images[:validation_size] #将训练的数据分为 train 和 validation ，validation 的部分是为了对比不同模型参数的训练效 果，如： learning_rate, training_iterations, dropout validation_labels=labels[:validation_size] train_images = images[validation_size:] train_labels = labels[validation_size:] 定义权重、偏差、卷积图层、池化图层： #定义 weight