金沙澳门官网登录-www.js8.com-金沙澳门官网下载app

金沙澳门官网下载app学习笔记TF029:实现进阶卷积

出色数据集CIFA福睿斯-10,五千0张32x32彩色图像,陶冶集四千0张,测验集一千0张。声明10类,每类图片五千张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。未有此外重叠。CIFAMurano-100,100类标明。深度学习之父 吉优ffrey Hinton和学生亚历克斯 Krizhevsky、Vinod Nair采撷。图片来源80 million tiny images数据集。State-of-the-art 3.5%错误率,GPU训练十几钟头。详细Benchmark和排名在 。LeCun,现存卷积神经网络已经缓慢解决CIFAHighlander-10数据集难题。

金沙澳门官网下载app学习笔记TF029:实现进阶卷积网络。依靠Alex cuda-convnet模型修改,三千个batch,各样batch 1三十多个样本,抵达73%正确率。GTX1080单显卡几十秒模型练习时间。CPU慢相当多。如用100k batch 结合学习进程decay(每间隔一段时间下跌学习速率二个比率),精确率可到86%。模型磨练参数100万个,预测四则运算总数3000万次。对weights进行L2正则化。图片翻转、随机剪切等数码增进,成立愈来愈多种本。每一个卷积-最大池化层后用LSportageN层,加强模型泛化本领。

下载TensorFlow Models库,使用当中提供CIFALAND-10数据类。git clone

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFA奥迪Q5-10数据类。

定义batch_size,磨炼轮数max_steps,下载CIFAHighlander-10数据暗中同意路线。

概念先河化weight函数,tf.truncated_normal截断正态分布开端化权重。Weight加L2 loss ,做L2 正则化。减弱特征或处以不根本特征权重,减轻特征过多导致过拟合。正则化扶持找到该处以的特征权重。为运用某些特征,需付出loss代价。L1正则创立抛荒特征,超过四分一无用特征权重被置0。L2正则让特征权重可是大,特征权重较平均。wl调整L2 loss大小,tf.nn.l2_loss函数计算weight L2 loss,tf.multiply L2 loss 乘以wl,得最后 weight loss。tf.add_to_collection weight loss统一存在collection losses,计算神经网络总体loss使用。

金沙澳门官网下载app学习笔记TF029:实现进阶卷积网络。用cifar10类下载数据集,解压、展开到暗许地点。

用cifar10_input类 distorted_金沙澳门官网下载app学习笔记TF029:实现进阶卷积网络。inputs函数发生磨练多少,包涵特征、label,重临封装tensor,每回实施生成贰个batch_金沙澳门官网下载app学习笔记TF029:实现进阶卷积网络。size数量样本。Data Augmentation(数据拉长),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24x24图纸(tf.random_crop)、设置随机亮度相比度(tf.image.random_brightness、tf.image.random_contrast),数据规范(tf.image.per_image_whitening,数据减均值,除方差,保险数据零均值,方差1)。得到更各类本,带噪声,一张图纸样本变多张图纸,扩充样本量,升高正确率。数据增加操作消耗多量CPU时间,distored_inputs用拾九个独立线程加快任务,函数内部发生线程池,通过TensorFlow queue调治。

用cifar10_input.inputs函数生成测量试验数据,裁剪图片正中间24x24大小区块,数据规范。

创办输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义网络布局要用,数据尺寸第二个值样本条数供给事先设定,不可能设None。数据尺寸的图片尺寸为24x24,裁剪后大小,颜色通道数3,彩色福特ExplorerGB三通道。

第一个卷积层,variable_with_weight_loss 函数创制卷积核参数初叶化。卷积核大小5x5,3个颜色通道,陆十个卷积核,设置weight最初化函数规范差0.05。wl(weight loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作,步长stride设1,padding方式SAME,bias初叶化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3x3,步长2x2最大池化层管理多少,尺寸、步长不均等,扩张数据丰裕性。tf.nn.lrn函数,L奥迪Q5N,管理结果。

LLANDN起于Alex用CNN加入ImageNet比赛诗歌。L途观N模仿生物神经系统侧禁绝机制,对有个别神经元活动开创竞争条件,响应很大值变得相对更加大,禁绝别的报告一点都不大神经元,巩固模型泛化工夫。用LCRUISERN后CNN Top1错误率减弱1.4%。LSportageN对无上限边界激活函数ReLU有用,从隔壁多少个卷积核响应(Response)挑选十分的大报告,不切合固定边界能制止过大值激活函数Sigmoid。

其次个卷积层,卷积核尺寸第三个维度度输入通道数64,bias值全领头化0.1。先实行L途乐N层管理,再用最大池化层。

全连接层,把前边七个卷积层输出结果一切flatten,tf.reshape函数把每一种样本形成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数早先化全连接层weight,隐含节点384,正态布满标准差0.04,bias初始化0.1。设非零weight loss值0.04,全数参数被L2正则约束,幸免过拟合。ReLU激活函数非线性化。

第3个全连接层,隐含节点192。

终极一层,先成立weight,正态布满规范差设上一隐含层节点数尾数,不计入L2正则。Softmax操作放在总括loss部分,没有要求对inference输出softmax管理,就足以赢得最终分类,直接比较inference输出各种数值大小。

一切卷积神经互联网从输入到输出流程。设计CNN,安插卷积层、池化层、全连接层布满和各种,超参数设置、Trick使用。卷积神经互联网布局:
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果

总计CNN loss。softmax计算和cross entropy loss 总结合在同步,tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross entropy均值,tf.add_to_collection 添加cross entropy loss 到整体losses collection。tf.add_n全体losses collection 全体loss求和,得最终loss,满含cross entropy loss,和后五个接二连三层weight L2 loss。Logits节点、label_placeholder传入loss儿童数,得到最终loss。

优化器选择Adam Optimizer,学习速率1e-3。

tf.nn.in_top_k函数求输出结果top k精确率,暗中认可top 1,输出分类最高类准确率。

tf.InteractiveSession创建私下认可session ,起头化整人体模型子参数。

开发银行图片数据增加线程队列,15个线程加快。

教练。各类step演练进度,session run方法推行images_train、 labels_train计算,获得batch演习多少,传入train_op和loss计算。记录各样step时间,每间距拾二个step总括浮现当前loss、每分钟磨练样本数量、演练batch数据时间,监控整个磨练进程。GTX 1080,每秒锻练1800个样本,batch_size 128,每种batch 0.066s。损失loss,起首4.6,3000步操练下跌到1.0。

评测模型测量检验集正确率。测量试验集10000个样本,使用固定batch_size,每个batch输入测量试验数据。计算全体样本评测完batch数量。各种step用session run方法赢得images_test、labels_test的batch,执行top_k_op总结模型 batch top 1预测准确样本数。汇总全部预测准确结果,求万事测量试验样本预测精确数量。

打字与印刷精确率评测结果计算。

73%准确率。持续扩充max_steps,期待精确率渐渐扩展。max_steps异常的大,用学习速率衰减(decay)的SGD训练,邻近86%。L2正则,LTucsonN层提升模型正确率,提高框泛化性。

数据增进(Data Augmentation),给单幅图扩充几个别本,提升图片利用率,幸免图片结构学习过拟合。利用图片自个儿质量,图片冗余音讯量不小,成立差别噪声,依可甄别。神经互连网制服噪声准确识别,泛化性越来越好。深度学习只要提供丰盛三种本,正确率能够不停进级。 规模越大越复杂神经网络模型,能够直达正确率水平越高,须求越来越相当多据陶冶。亚历克斯cuda-convnet测验结果,CIFAOdyssey-10,不数据拉长,错误最低下落到17%,数据增加,错误率下降到11%。

    import cifar10,cifar10_input
    import tensorflow as tf
    import numpy as np
    import time
    max_steps = 3000
    batch_size = 128
    data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
    def variable_with_weight_loss(shape, stddev, wl):
        var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))
        if wl is not None:
            weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')
            tf.add_to_collection('losses', weight_loss)
        return var
    def loss(logits, labels):
        labels = tf.cast(labels, tf.int64)
        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
            logits=logits, labels=labels, name='cross_entropy_per_example')
        cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')
        tf.add_to_collection('losses', cross_entropy_mean)
        return tf.add_n(tf.get_collection('losses'), name='total_loss')

    ###
    cifar10.maybe_download_and_extract()
    images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,
                                                            batch_size=batch_size)
    images_test, labels_test = cifar10_input.inputs(eval_data=True,
                                                data_dir=data_dir,
                                                batch_size=batch_size)                                                  
    #images_train, labels_train = cifar10.distorted_inputs()
    #images_test, labels_test = cifar10.inputs(eval_data=True)
    image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
    label_holder = tf.placeholder(tf.int32, [batch_size])
    #logits = inference(image_holder)
    weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
    kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
    bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
    conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
    pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
    kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
    bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
    conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
    norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    reshape = tf.reshape(pool2, [batch_size, -1])
    dim = reshape.get_shape()[1].value
    weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
    bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
    local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)
    weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
    bias4 = tf.Variable(tf.constant(0.1, shape=[192]))                                      
    local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)
    weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
    bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
    logits = tf.add(tf.matmul(local4, weight5), bias5)
    loss = loss(logits, label_holder)
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72
    top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    tf.train.start_queue_runners()
    ###
    for step in range(max_steps):
        start_time = time.time()
        image_batch,label_batch = sess.run([images_train,labels_train])
        _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch, 
                                                         label_holder:label_batch})
        duration = time.time() - start_time
        if step % 10 == 0:
            examples_per_sec = batch_size / duration
            sec_per_batch = float(duration)

            format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')
            print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))

    ###
    num_examples = 10000
    import math
    num_iter = int(math.ceil(num_examples / batch_size))
    true_count = 0  
    total_sample_count = num_iter * batch_size
    step = 0
    while step < num_iter:
        image_batch,label_batch = sess.run([images_test,labels_test])
        predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,
                                                 label_holder:label_batch})
        true_count += np.sum(predictions)
        step += 1
    precision = true_count / total_sample_count
    print('precision @ 1 = %.3f' % precision)

 

参照他事他说加以考察资料:
《TensorFlow实战》

招待付费咨询(150元每小时),小编的微信:qingxingfengzi

本文由金沙澳门官网登录发布于金沙澳门官网下载app,转载请注明出处:金沙澳门官网下载app学习笔记TF029:实现进阶卷积

TAG标签:
Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。