2018-05-02 第五周

CNN模型搭建（二）

继续上周未完成的工作：

# 为400维的输入向量占位，在CNN中为20 * 20的矩阵

xs = tf.placeholder(tf.float32, [None, 400])

# 为3维的输出向量占位，分别为“好”，“中”，“差”

ys = tf.placeholder(tf.float32, [None, 3])

# keep_prob: 设置神经元被选中的概率,在初始化时keep_prob是一个占位符,  keep_prob = tf.placeholder(tf.float32) 。

# keep_prob用于dropout策略，减轻过拟合

keep_prob = tf.placeholder(tf.float32)

# 中间层输入

x_input = tf.reshape(xs, [-1, 16, 16, 1])

设计卷积层：

# 第一层 卷积层

# 卷积核大小为5 * 5

W_conv1 = weight_variable([5, 5, 1, 24])

b_conv1 = bias_variable([24])

# 计算激活函数relu，即max(features, 0)。即将矩阵中每行的负值置0，正值不变

# out size 20 * 20 * 12

h_conv1 = tf.nn.relu(conv2d(x_input, W_conv1) + b_conv1)

# 第二层 池化层 进行max pool

# out size  10 * 10 * 24

h_pool1 = max_pool_2x2(h_conv1)

# 第三层 卷积层

# 卷积核大小为5 * 5

W_conv2 = weight_variable([5, 5, 24, 48])  # patch 5*5, in size 32, out size 64

b_conv2 = bias_variable([64])

# 计算激活函数relu，即max(features, 0)。即将矩阵中每行的负值置0，正值不变

# out size 10 * 10 * 24

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

# 第四层 池化层 进行max pool

# out size  5 * 5 * 24

h_pool2 = max_pool_2x2(h_conv2)

建立全连接层：

# 第五层 全连接层

W_fc1 = weight_variable([3 * 3 * 48, 1024])

b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 3 * 3 * 48])

# tf.matmul 矩阵相乘

h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

使用Soft_max函数，输出预测标签

# 第六层 Softmax层，输出预测标签

W_fc2 = weight_variable([1024, 3])

b_fc2 = bias_variable([3])

prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 训练m次 每n次输出一次准确率

for i in range(m):

    while (step + 1) * batch < len(training_xs):

        temp_xs = []

        temp_ys = []

        for k in range(batch):

            temp_xs.append(training_xs[step * batch + k])

            temp_ys.append(training_ys[step * batch + k])

        step = step + 1

        sess.run(train_step, feed_dict={xs: temp_xs, ys: temp_ys, keep_prob: 0.5})

    if i % n == 0:

        # 计算准确率

        print(compute_accuracy(test_xs, test_ys))