利用全连接网络将图片进行分类

实例描述

构建一个简单的多层神经网络，以拟合MNIST样本特征完成分类任务。

1. 定义网络参数

在输入和输出之间使用两个隐藏层，每层各256个节点，学习率使用0.001。

import tensorflow as tf
# 定义参数
learning_rate = 0.001
training_epochs = 25
batch_size = 100
display_step = 1

# 设置网络模型参数
# 第一个隐藏层节点个数
n_hidden_1 = 256
# 第二个隐藏层节点个数
n_hidden_2 = 256
# MNIST 共784(28 * 28)维
n_input = 784
# MNIST共10个类别（0~9）
n_classes = 10

2. 定义网络结构

multilayer_perceptron函数为封装好的网络模型函数，第一层与第二层均使用ReLU激活函数，loss使用softmax交叉熵。

# 定义占位符
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])

# 创建model
def multilayer_perceptron(x, weights, biases):
    # 第一层隐藏层
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    # 第二层隐藏层
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
    layer_2 = tf.nn.relu(layer_2)
    # 输出层
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer

# 学习参数
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}

# 输出值
pred = multilayer_perceptron(x, weights, biases)

# 定义loss和优化器
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

3. 运行session输出结果

# 启动session
with tf.Session() as sess:
    # Initializing OP
    sess.run(tf.global_variables_initializer())

    # 启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 循环所有数据集
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # 运行优化器
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs, y:batch_ys})
            # 计算平均loss值
            avg_cost += c / total_batch
        # 显示训练中的详细信息
        if(epoch + 1) % display_step == 0:
            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost))
    print("Finished!")
    # 测试model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accurary = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print("Accuracy:", accurary.eval({x: mnist.test.images, y: mnist.test.labels}))

全连接网络可以成功地将图片进行分类，并且随着层数的增加和节点的增多，还能够得到更好的拟合效果。

注意：由于神经网络的学习算法限制，在实际情况中并不是层数越多、节点越多，效果就越好，因为在训练过程中使用的BP算法，会随着层数的逐渐增大其算出来的调整值会逐渐变小，知道其他层感觉不到变化，即梯度消失的情况。