深度学习testCNN的python实现

import tensorflow as tf
import numpy as np
import os
import random


class CNN_Config（object）:
    “““CNN配置参数“““
    ckpt_dir = ‘‘   #模型存放路径
    validate_every = 1 #几轮计算一次指标
    embedding_dim = 64  # 词向量维度
    seq_length = 600  # 序列长度
    num_classes = 10  # 类别数
    kernel_size = 5  # 卷积核尺寸
    vocab_size = 5000  # 词汇表达小
    filter_sizes = [23456]  #卷积和大小
    num_filters = 128  # 卷积核数目
    num_filters_total = num_filters * len（filter_sizes）
    hidden_dim = 128  # 全连接层神经元
    dropout_keep_prob = 0.5  # dropout保留比例
    learning_rate = 1e-3  # 学习率
    batch_size = 64  # 每批训练大小
    num_epochs = 10  # 总迭代轮次
    print_per_batch = 100  # 每多少轮输出一次结果
    save_per_batch = 10  # 每多少轮存入tensorboard
    initializer=tf.random_normal_initializer（stddev=0.1） #权值初始化
    l2_lambda = 0.0001  #L2正则参数
    decay_steps = 1000  #学习率衰减次数
    decay_rate = 0.1    #学习率衰减率
    clip_gradients=5.0     #学习率裁剪
    decay_rate_big=0.50     #学习率最大衰减率



def init_label_dict（num_classes）:
    “““
    init label dict. this dict will be used to save TPFPFN
    :param num_classes:
    :return: label_dict: a dict. {label_index:（000）}
    “““
    label_dict={}
    for i in range（num_classes）:
        label_dict[i]=（000）
    return label_dict

def get_label_using_logits（logitstop_number=5）:
    index_list=np.argsort（logits）[-top_number:]
    index_list=index_list[::-1]
    return index_list
def get_target_label_short（eval_y）:
    eval_y_short=[] #will be like:[226421391]
    for indexlabel in enumerate（eval_y）:
        if label>0:
            eval_y_short.append（index）
    return eval_y_short

def compute_confuse_matrix（target_ypredict_ylabel_dictname=‘default‘）:
    “““
    compute true postive（TP） false postive（FP） false negative（FN） given target lable and predict label
    :param target_y:
    :param predict_y:
    :param label_dict {label:（TPFPFN）}
    :return: macro_f1（a scalar）micro_f1（a scalar）
    “““
    #1.get target label and predict label
    if random.choice（[x for x in range（300）]） == 1:
        print（name+“.target_y:“target_y“;predict_y:“predict_y）

    #2.count number of TPFPFN for each class
    y_labels_unique=[]
    y_labels_unique.extend（target_y）
    y_labels_unique.extend（predict_y）
    y_labels_unique=list（set（y_labels_unique））
    for ilabel in enumerate（y_labels_unique）: #e.g. label=2
        TP FP FN = label_dict[label]
        if label in predict_y and label in target_y:#predict=1truth=1 （TP）
            TP=TP+1
        elif label in predict_y and label not in target_y:#predict=1truth=0（FP）
            FP=FP+1
        elif label not in predict_y and label in target_y:#predict=0truth=1（FN）
            FN=FN+1
        label_dict[label] = （TP FP FN）
    return label_dict


def compute_micro_macro（label_dict）:
    “““
    compute f1 of micro and macro
    :param label_dict:
    :return: f1_microf1_macro: scalar scalar
    “““
    f1_micro =