当前课程知识点：深度学习基础 > 第八讲 生成式神经网络 > 附：8.4程序 > 附：6.3程序
#演示内容：利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。
#导入numpy模块
import numpy as np
#导入tensorflow模块，程序使用tensorflow来实现卷积神经网络
import tensorflow as tf
#下载mnist数据集，并从mnist_data目录中读取数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('mnist_data',one_hot=True)
#（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从http://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。
#（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001].
#定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。
#None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。
input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255
output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别
#输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量
input_x_images = tf.reshape(input_x,[-1,28,28,1])
test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片
test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签
#定义卷积神经网络CNN的结构
#首先定义第一层，即卷积层conv1的结构。tf.layers.conv2d函数表示要使用2维的卷积层
conv1 = tf.layers.conv2d(
inputs=input_x_images,#输入是input_x_images 。
filters=32,#滤波器的数量是32。
kernel_size=[5,5],#卷积核的尺寸即kernel_size是5*5。
strides=1,#strides即步长设为1.
padding='same',#padding参数的作用是决定在进行卷积时，是否要 对输入的图像矩阵边缘补0。
activation=tf.nn.relu#最后设置activation，即激活函数设为relu。
)
print(conv1) #打印conv1，其输出的shape为[28,28，32]
#利用tf.layers.max_pooling2d 函数进行最大池操作，此时的输入就是刚才的conv1，这里pool_size设为2*2，步长为2。
pool1 = tf.layers.max_pooling2d(
inputs=conv1,
pool_size=[2,2],
strides=2
)
print(pool1) #用print语句，会看到其输出的形状为[14,14,32]，由于每个图像变为了14*14的，因此图片的尺寸明显变小了
#定义了第二次卷积的结构。同样使用tf.layers.conv2d函数。输入就是刚才的最大池处理后的结果。这里使用了64个卷积核，每个核的大小为5*5. 其它的设置和第一个卷积层相同。
conv2 = tf.layers.conv2d(
inputs=pool1,
filters=64,
kernel_size=[5,5],
strides=1,
padding='same',
activation=tf.nn.relu
)
print(conv2) #由于padding设为了'same'，所以输出为[14,14,64]。所以这一层卷积处理后，特征图的数目增加了。但每个图的尺寸仍然是14*14
#利用tf.layers.max_pooling2d 函数进行再一次的最大池操作。此时的输入就是刚才的conv2，pool_size设为2*2，步长为2。
pool2 = tf.layers.max_pooling2d(
inputs=conv2,
pool_size=[2,2],
strides=2
)
print(pool2) #输出为[7,7,64]，即尺寸发生了变化，变为7*7
#刚才进行的是两次卷积以及降采样。得到的特征图有64个，每个大小为7*7=49。下面就要对每个图进行打平处理，64*49=3136. 这样做的目的是为了后续的全连接层做准备，以便得到softmax数值】
flat = tf.reshape(pool2,[-1,7*7*64])
#下面接一个全连接层，使用的是tf.layers.dense函数，其输入为刚才打平的结果flat。units: 输出的大小（维数），激活函数设为relu
dense=tf.layers.dense(
inputs=flat,
units=1024,
activation=tf.nn.relu
)
print(dense) #输出的特征图的像素个数应该是1024
#利用tf.layers.dropout函数做了一次dropout操作。丢弃率rate设置为0.5，即一半的神经元丢弃不工作。输入就是dense
dropout = tf.layers.dropout(
inputs=dense,
rate=0.5
)
print(dropout) #输出应该仍为1024个数值
#使用tf.layers.dense定义输出层，输入是刚才的dropout的结果。这个层是一个简单的全连接层，没有使用激活函数，输出10个数值。
outputs = tf.layers.dense(
inputs=dropout,
units=10
)
print(outputs) #输出为10个数值
#到现在为止，完成了一次正向传播。此时得到的outputs就是预测的结果。】
#计算交叉熵损失，利用的是softmax_cross_entropy函数。其中的output_y之前讲过，表示真实的分类结果。而outputs则表示预测的结果
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y,logits=outputs)
print(loss)#打印这个loss的维度
#定义训练操作，采用梯度下降的优化方法，设置学习率为0.001
train_op = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#定义模型的性能评价指标为准确率，具体是使用tf.metrics.accuracy函数来实现的。labels是正确的标签，predictions则是预测的结果
accuracy_op = tf.metrics.accuracy(
labels=tf.argmax(output_y,axis=1), #返回张量维度上最大值的索引
predictions=tf.argmax(outputs,axis=1)#返回张量维度上最大值的索引
)
print(accuracy_op)#打印这个张量
#以上定义了tensorflow的图，下面就要开始执行任务了。首先要初始化所有变量
sess=tf.Session()
init=tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
sess.run(init)
#只训练了1000个批次，即进行了1000次迭代
for i in range(1000):
#每次迭代只选取 50个图片及其标签】
batch = mnist.train.next_batch(50)
#把batch中的这50幅图像的特征数据batch[0]及其标签batch[1] 送入模型，进行训练操作，并得到其训练损失
train_loss, train_op_=sess.run([loss,train_op],{input_x:batch[0],output_y:batch[1]})
#每迭代100次就输出一下训练的损失函数取值和在测试数据集（只选了3000个图片）上的准确率。
if i%100==0:
#计算在测试集上的准确率
test_accuracy=sess.run(accuracy_op,{input_x:test_x,output_y:test_y})
print("Step=%d, Train loss=%.4f,Test accuracy=%.2f"%(i,train_loss,test_accuracy[0]))#打印输出当前的步数，训练的损失，以及准确率
#这个模型已经训练完毕。下面选取20幅图像，看一下模型预测的效果如何。这里test_output就是预测的结果
test_output=sess.run(outputs,{input_x:test_x[:20]})
#由于test_output实际上是一个softmax的结果，所以下面用np.argmax函数求每一幅图像预测的分类值到底是几
inferenced_y=np.argmax(test_output,1)
#所以这个inferenced_y，实际上就是预测的数字到底是几，把它打印出来。
print(inferenced_y,'Inferenced numbers（预测的标签）')
#下面我们再使用print语句，看一下这20个图像的真实标签
print(np.argmax(test_y[:20],1),'Real numbers（真实的标签')
#关闭这个session
sess.close()
支持rar,zip格式大小，大小50M以内
-1.6 程序讲解：使用Sklearn进行精确率-召回率曲线的绘制
-第一讲 作业
- 2.1 特征工程
-2.4 程序讲解：使用sklearn对文档进行向量化的实例
- 第二讲 讲义
-第二讲 作业
- 3.4 逻辑回归
-3.5 程序讲解：使用sklearn进行线性回归和二次回归的比较的程序示例
-第三讲 作业
-第四讲 作业
-第五讲 作业
-第六讲 作业
-第七讲 作业
-第八讲 作业
