深度学习基础-MNIST实验（tensorflow+CNN）.pdfVIP

深度学习基础-MNIST实验 （tensorflow+CNN） 深度学习基础 - MNIST实验 （Tensorflow-CNN） 本⽂的完整代码托管在我的Github ，欢迎 流。 1.任务背景 这⾥，我们拟通过搭建卷积神经⽹络 （CNN）来完成⼿写数字识别任务，关于MNIST任务的相关内容可参考前⽂或。 2.实验过程 : cnn_demo.py cnn_demo_self_test.py 实验分三步进⾏ ： 1. 参考LeNet-5，搭建适⽤于该任务的CNN模型，开发实现基于tensorflow ； 2. 加载MNIST数据集，配置超参数，进⾏训练与测试，分析效果 ； 3. 加载 ⾃制⼿写图⽚，采⽤训练好的CNN进⾏识别，分析效果 ； 2.1.CNN建模 LeNet-5是Y.LeCun等⼈早期所设计的⼀种CNN，是经典的神经⽹络架构之⼀，如下图所⽰ ：(参考) 本实验采⽤python-tensorflow实现LeNet-5，其建模代码样例如下 ： construction of leNet- model def lenet_ _forward_ propagation(X) : @note: construction of leNet- forward computation graph: CONV1 - MAXPOOL1 - CONV2 - MAXPOOL2 - FC3 - FC4 - SOFTMAX @param X: input dataset placeholder, of shape (number of examples (m), input size) @return: A_ l, the output of the softmax layer, of shape (number of examples, output size) # reshape imput as [number of examples (m), weight, height, channel] X_ = tf.reshape(X, [-1, 28, 28, 1]) # num_channel = 1 (gray image) ### CONV1 (f = * *1, n_f = 6, s = 1, p = same) W_conv 1 = weight_variable(shape = [ , , 1, 6]) b_conv 1 = bias_variable(shape = [6]) # shape of A_conv 1 ~ [m,28,28,6] A_conv 1 = tf.nn.relu(tf.nn.conv2d(X_ , W_conv 1, strides = [1, 1, 1, 1], padding = SAME) + b_conv 1) ### MAXPOOL1 (f = 2*2*1, s = 2, p = same) # shape of A_ pool1 ~ [m,14,14,6] A_ pool1 = tf.nn.max_ pool(A_conv 1, ksize = [1, 2, 2, 1], strides=[1, 2, 2, 1], padding = SAME) ### CONV2 (f = * *1, n_f = 16, s = 1, p = same) W_conv2 = weight_variable(shape = [ , , 6, 16]) b_conv2 = bias_variable(shape = [16]) # shape of A_conv2 ~ [m,10,10,