深度学习卷积神经网络代码

卷积神经网络在图像识别应用，此压缩包包括代码。

# -*- coding: utf-8 -*-
“““

@author: Mingming
“““
import tensorflow as tf 
import tensorflow.examples.tutorials.mnist.input_data as input_data
import os
import cv2
import numpy as np
mnist = input_data.read_data_sets（“MNIST_data/“ one_hot=True）     #下载并加载mnist数据
x = tf.placeholder（tf.float32 [None 784]）                        #输入的数据占位符
y_actual = tf.placeholder（tf.float32 shape=[None 10]）            #输入的标签占位符

#定义一个函数，用于初始化所有的权值 W
def weight_variable（shape）:
  initial = tf.truncated_normal（shape stddev=0.01）
  return tf.Variable（initial）

#定义一个函数，用于初始化所有的偏置项 b
def bias_variable（shape）:
  initial = tf.constant（0.1 shape=shape）
  return tf.Variable（initial）
  
#定义一个函数，用于构建卷积层
def conv2d（x W）:
  return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）

#定义一个函数，用于构建池化层
def max_pool（x）:
  return tf.nn.max_pool（x ksize=[1 2 2 1]strides=[1 2 2 1] padding=‘SAME‘）

def predict（image）:
  if os.path.exists（“./modelSave/checkpoint“）:
    saver.restore（sess“./modelSave/model.ckpt“）
  print（sess.run（tf.argmax（y_predict1）feed_dict={x_image:[image]keep_prob:1}））
  #print（tf.argmax（y_predict1））
  


#构建网络
x_image = tf.reshape（x [-128281]）         #转换输入数据shape以便于用于网络中
W_conv1 = weight_variable（[5 5 1 32]）      
b_conv1 = bias_variable（[32]）       
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）     #第一个卷积层
h_pool1 = max_pool（h_conv1）                                  #第一个池化层

W_conv2 = weight_variable（[5 5 32 64]）
b_conv2 = bias_variable（[64]）
h_conv2 = tf.nn.relu（conv2d（h_pool1 W_conv2） + b_conv2）      #第二个卷积层
h_pool2 = max_pool（h_conv2）                                   #第二个池化层

W_fc1 = weight_variable（[7 * 7 * 64 1024]）
b_fc1 = bias_variable（[1024]）
h_pool2_flat = tf.reshape（h_pool2 [-1 7*7*64]）              #reshape成向量
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）    #第一个全连接层

keep_prob = tf.placeholder（“float“） 
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prob）                  #dropout层

W_fc2 = weight_variable（[1024 10]）
b_fc2 = bias_variable（[10]）
y_predict=tf.nn.softmax（tf.matmul（h_fc1_drop W_fc2） + b_fc2）   #softmax层

cross_entropy = -tf.reduce_sum（y_actual*tf.log（y_predict））     #交叉熵
train_step = tf.train.RMSPropOptimizer（1e-7）.minimize（cross_entropy）    #梯度下降法
correct_prediction = tf.equal（tf.argmax（y_predict1） tf.argmax（y_actual1））    
accuracy = tf.reduce_mean（tf.cast（correct_prediction “float“））                 #精确度计算
sess=tf.InteractiveSession（）                          
#sess.run（tf.initialize_all_variables（））
#sess.run（tf.global_variables_initializer（））
saver = tf.train.Saver（）
if not os.path.exists（“modelSave“）:
  os.mkdir（“modelSave“）
def train（）:
  if os.path.exists（“./modelSave/model.ckpt.index“）:
    saver.restore（sess“./modelSave/model.ckpt“）
  for i in range（20000）:
    batch = mnist.train.next_batch（100）
    if i%100 == 0:                  #训练100次，验证一次
      train_acc = accuracy.eval（feed_dict={x:batch[0] y_actual: batch[1] keep_prob: 1.0}）
      print（‘step‘i‘trainin

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-03-21 20:01  CNN_Test\
     目录           0  2019-03-21 09:14  CNN_Test\MNIST_data\
     文件     1648877  2018-08-08 21:27  CNN_Test\MNIST_data\t10k-images-idx3-ubyte.gz
     文件     9912422  2018-08-08 21:27  CNN_Test\MNIST_data\train-images-idx3-ubyte.gz
     文件       28881  2018-08-08 21:27  CNN_Test\MNIST_data\train-labels-idx1-ubyte.gz
     文件        4542  2018-08-08 21:27  CNN_Test\MNIST_data\t10k-labels-idx1-ubyte.gz
     文件        8196  2019-03-21 20:39  CNN_Test\.DS_Store
     目录           0  2019-03-21 20:42  __MACOSX\
     目录           0  2019-03-21 20:42  __MACOSX\CNN_Test\
     文件         120  2019-03-21 20:39  __MACOSX\CNN_Test\._.DS_Store
     文件        3847  2019-03-21 20:02  CNN_Test\CNN.py
     文件         493  2019-03-21 19:16  CNN_Test\Convolution_without_pool.py
     文件         210  2019-03-21 19:16  __MACOSX\CNN_Test\._Convolution_without_pool.py
     文件        1417  2019-03-21 18:53  CNN_Test\ConvolutionTest.py
     文件         176  2019-03-21 18:53  __MACOSX\CNN_Test\._ConvolutionTest.py
     目录           0  2019-03-21 10:52  CNN_Test\testEvalPics\
     文件        6148  2019-03-21 18:19  CNN_Test\testEvalPics\.DS_Store
     目录           0  2019-03-21 20:42  __MACOSX\CNN_Test\testEvalPics\
     文件         120  2019-03-21 18:19  __MACOSX\CNN_Test\testEvalPics\._.DS_Store
     文件       33447  2019-03-21 10:46  CNN_Test\testEvalPics\test7.jpg
     文件         210  2019-03-21 10:46  __MACOSX\CNN_Test\testEvalPics\._test7.jpg
     文件       11446  2019-03-21 10:49  CNN_Test\testEvalPics\test5.png
     文件         588  2019-03-21 10:49  __MACOSX\CNN_Test\testEvalPics\._test5.png
     文件       16475  2019-03-21 10:50  CNN_Test\testEvalPics\test5.jpg
     文件         210  2019-03-21 10:50  __MACOSX\CNN_Test\testEvalPics\._test5.jpg
     文件       15982  2019-03-21 10:52  CNN_Test\testEvalPics\test2.jpg
     文件         210  2019-03-21 10:52  __MACOSX\CNN_Test\testEvalPics\._test2.jpg
     文件       15982  2019-03-21 10:51  CNN_Test\testEvalPics\test2
     文件         323  2019-03-21 10:51  __MACOSX\CNN_Test\testEvalPics\._test2
     目录           0  2019-03-21 19:59  CNN_Test\modelSave\
     文件       64472  2019-03-21 19:58  CNN_Test\modelSave\model.ckpt.meta
............此处省略3个文件信息