CNN_源代码

# coding=utf-8

import tensorflow as tf
import pickle
import random

# defines the size of the batch.
BATCH_SIZE = 40
# one channel in our grayscale images.
NUM_CHANNELS = 1
# The random seed that defines initialization.
SEED = 42223

IMAGE_SIZE = 64

NUM_LABELS = 2

import numpy as np
from PIL import Image
import os

class_num = 2
img1_num = 10000
img2_num = 10000
img1_test_num = 1000
img2_test_num = 1000
train_num = img1_num + img2_num
test_total_num = img1_test_num + img2_test_num

image_height = 64
image_width = 64
image_channle = 1

data_path1 = ‘/home/skywalker/桌面/cnn/1.1‘
data_path2 = ‘/home/skywalker/桌面/cnn/2.1‘
#data_path3 = ‘/Users/xinruyue/Desktop/python_test/3‘

def ImageToMatrix（filename）:
    im = Image.open（filename）
    widthheight = im.size
    im = im.convert（“L“）
    data = im.getdata（）
    data = np.matrix（data）
    #new_data = np.reshape（data（widthheight））
    new_data = np.reshape（data（heightwidth））
    return new_data

for root dirs files in os.walk（data_path1）:
    f1 = files
img1 = []
for each in f1:
    path = os.path.join（data_path1each）
    img1.append（ImageToMatrix（path））
print（len（img1））

for root dirs files in os.walk（data_path2）:
    f2 = files
img2 = []
for each in f2:
    path = os.path.join（data_path2each）
    img2.append（ImageToMatrix（path））
print（len（img2））

‘‘‘
for root dirs files in os.walk（data_path3）:
    f3 = files
img3 = []
for each in f3:
    path = os.path.join（data_path3each）
    img3.append（ImageToMatrix（path））
‘‘‘

dummy_train_data = img1[:img1_num] + img2[:img2_num]

dummy_train_labels = np.zeros（（train_numclass_num））
dummy_train_labels[:img1_num 0 ] = 1
dummy_train_labels[img2_num: 1 ] = 1
#dummy_train_labels[3000: 2 ] = 1

data_label_pair = list（zip（dummy_train_data dummy_train_labels））
random.shuffle（data_label_pair）

train_data_temp = list（zip（*data_label_pair））[0]
train_labels_temp = list（zip（*data_label_pair））[1]
print（len（train_data_temp））
train_data = np.array（train_data_temp）.reshape（（train_numimage_heightimage_widthimage_channle））.astype（np.float32）
train_labels = np.array（train_labels_temp）

train_size = train_labels.shape[0]

# prepare test datas and labels
dummy_test_data = img1[img1_num:img1_num + img1_test_num] + img2[img2_num:img2_num + img2_test_num]

dummy_test_labels = np.zeros（（test_total_numclass_num））
dummy_test_labels[:img1_test_num 0 ] = 1
dummy_test_labels[img2_test_num: 1 ] = 1
#dummy_test_labels[400: 2 ] = 1

test_data_label_pair = list（zip（dummy_test_data dummy_test_labels））
random.shuffle（test_data_label_pair）

test_data_temp = list（zip（*test_data_label_pair））[0]
test_labels_temp = list（zip（*test_data_label_pair））[1]
print len（test_data_temp）
test_data = np.array（test_data_temp）.reshape（（test_total_numimage_heightimage_widthimage_channle））.astype（np.float32）
test_labels = np.array（test_labels_temp）

train_data_node = tf.placeholder（
  tf.float32
  shape=（BATCH_SIZE IMAGE_SIZE IMAGE_SIZE NUM_CHANNELS））
train_labels_node = tf.placeholder（