经文数据集CIFAR-10,经典数据集CIFAR-10

经文数据集CIFAR-10,60000张32×32彩色图像,练习集50000张,测试集10000张。标注10类,每类图片6000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有另外重叠。CIFAR-100,100类标注。深度学习之父
杰弗里 Hinton和学生亚历克斯(Alex)(Alex) Krizhevsky、Vinod Nair收集。图片源于80 million
tiny images数据集。State-of-the-art
3.5%错误率,GPU练习十什么时候辰。详细Benchmark和名次在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现有卷积神经网络已经解决CIFAR-10数据集问题。

经文数据集CIFAR-10,60000张32×32彩色图像,磨练集50000张,测试集10000张。标注10类,每类图片6000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有另外重叠。CIFAR-100,100类标注。深度学习之父
杰弗里 Hinton和学生亚历克斯(Alex)(Alex) Krizhevsky、Vinod Nair收集。图片来自80 million
tiny images数据集。State-of-the-art
3.5%错误率,GPU操练十几钟头。详细Benchmark和名次在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现有卷积神经网络已经解决CIFAR-10数据集问题。

依据亚历克斯(Alex) cuda-convnet模型修改,3000个batch,每个batch
128个样本,达到73%正确率。GTX1080单显卡几十秒模型磨炼时间。CPU慢很多。如用100k
batch
结合学习进度decay(每隔一段时间下降学习速率一个比率),正确率可到86%。模型操练参数100万个,预测四则运算总量2000万次。对weights进行L2正则化。图片翻转、随机剪切等数据增长,创设更多样本。每个卷积-最大池化层后用LRN层,增强模型泛化能力。

据悉Alex cuda-convnet模型修改,3000个batch,每个batch
128个样本,达到73%正确率。GTX1080单显卡几十秒模型锻炼时间。CPU慢很多。如用100k
batch
结合学习进度decay(每隔一段时间下降学习速率一个比率),正确率可到86%。模型训练参数100万个,预测四则运算总量2000万次。对weights进行L2正则化。图片翻转、随机剪切等数码增长,创制更多样本。每个卷积-最大池化层后用LRN层,增强模型泛化能力。

下载TensorFlow Models库,使用其中提供CIFAR-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

下载TensorFlow Models库,使用其中提供CIFAR-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

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

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

定义batch_size,练习轮数max_steps,下载CIFAR-10数据默认路径。

定义batch_size,训练轮数max_steps,下载CIFAR-10数据默认路径。

概念先导化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。收缩特征或处以不重大特色权重,缓解特征过多导致过拟合。正则化帮衬找到该处以的性状权重。为利用某个特征,需付出loss代价。L1正则成立稀疏特征,大部分无用特征权重被置0。L2正则让特征权重然而大,特征权重较平均。wl控制L2
loss大小,tf.nn.l2_loss函数总括weight L2 loss,tf.multiply L2 loss
乘以wl,得最终 weight loss。tf.add_to_collection weight
loss统一存在collection losses,总括神经网络总体loss使用。

概念起先化weight函数,tf.truncated_normal截断正态分布初叶化权重。Weight加L2
loss ,做L2
正则化。缩小特征或处以不首要特色权重,缓解特征过多导致过拟合。正则化扶助找到该处以的特色权重。为利用某个特征,需付出loss代价。L1正则成立稀疏特征,大部分无用特征权重被置0。L2正则让特征权重可是大,特征权重较平均。wl控制L2
loss大小,tf.nn.l2_loss函数总括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,总计神经网络总体loss使用。

用cifar10类下载数据集,解压、展开到默认地方。

用cifar10类下载数据集,解压、展开到默认地方。

用cifar10_input类
distorted_inputs函数发生练习多少,包括特征、label,重回封装tensor,每便执行生成一个batch_size数量样本。Data
Augmentation(数据增长),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24×24图纸(tf.random_crop)、设置随机亮度比较度(tf.image.random_brightness、tf.image.random_contrast),数据标准(tf.image.per_image_whitening,数据减均值,除方差,保证数据零均值,方差1)。得到更多样本,带噪声,一张图纸样本变多张图纸,扩充样本量,进步准确率。数据增长操作消耗大量CPU时间,distored_inputs用16个单身线程加速任务,函数内部暴发线程池,通过TensorFlow
queue调度。

用cifar10_input类
distorted_inputs函数暴发锻炼多少,包括特征、label,再次回到封装tensor,每回执行生成一个batch_size数量样本。Data
Augmentation(数据增长),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24×24图纸(tf.random_crop)、设置随机亮度比较度(tf.image.random_brightness、tf.image.random_contrast),数据标准(tf.image.per_image_whitening,数据减均值,除方差,保证数据零均值,方差1)。拿到更多样本,带噪声,一张图纸样本变多张图纸,扩充样本量,提高准确率。数据增长操作消耗大量CPU时间,distored_inputs用16个独立线程加速任务,函数内部暴发线程池,通过TensorFlow
queue调度。

用cifar10_input.inputs函数生成测试数据,裁剪图片正中间24×24大小区块,数据标准。

用cifar10_input.inputs函数生成测试数据,裁剪图片正中间24×24大小区块,数据标准。

成立输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义网络布局要用,数据尺寸第一个值样本条数需要事先设定,不可以设None。数据尺寸的图片尺寸为24×24,裁剪后大小,颜色通道数3,彩色RGB三通道。

创造输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义网络布局要用,数据尺寸第一个值样本条数需要事先设定,不可能设None。数据尺寸的图片尺寸为24×24,裁剪后大小,颜色通道数3,彩色RGB三通道。

先是个卷积层,variable_with_weight_loss
函数创制卷积核参数先河化。卷积核大小5×5,3个颜色通道,64个卷积核,设置weight起首化函数标准差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形式SAME,bias先河化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3×3,步长2×2最大池化层处理多少,尺寸、步长不等同,扩张数据丰裕性。tf.nn.lrn函数,LRN,处理结果。

首先个卷积层,variable_with_weight_loss
函数创立卷积核参数先河化。卷积核大小5×5,3个颜色通道,64个卷积核,设置weight开端化函数标准差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情势SAME,bias先河化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3×3,步长2×2最大池化层处理多少,尺寸、步长不等同,扩展数量丰盛性。tf.nn.lrn函数,LRN,处理结果。

LRN起于亚历克斯(Alex)用CNN参预ImageNet竞技杂文。LRN模仿生物神经系统侧抑制机制,对一些神经元活动创办竞争条件,响应较大值变得相对更大,抑制其他报告较小神经元,增强模型泛化能力。用LRN后CNN
Top1错误率降低1.4%。LRN对无上限边界激活函数ReLU有用,从附近多少个卷积核响应(Response)挑选较大报告,不符合固定边界能遏制过大值激活函数Sigmoid。

LRN起于亚历克斯(Alex)用CNN参预ImageNet竞技随想。LRN模仿生物神经系统侧抑制机制,对一部分神经元活动创立竞争条件,响应较大值变得相对更大,抑制其他报告较小神经元,增强模型泛化能力。用LRN后CNN
Top1错误率降低1.4%。LRN对无上限边界激活函数ReLU有用,从附近多少个卷积核响应(Response)挑选较大报告,不适合固定边界能避免过大值激活函数Sigmoid。

其次个卷积层,卷积核尺寸第三维度输入通道数64,bias值全起头化0.1。先举办LRN层处理,再用最大池化层。

其次个卷积层,卷积核尺寸第三维度输入通道数64,bias值全开始化0.1。先举行LRN层处理,再用最大池化层。

全连接层,把前边五个卷积层输出结果一切flatten,tf.reshape函数把各样样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数开首化全连接层weight,隐含节点384,正态分布标准差0.04,bias起初化0.1。设非零weight
loss值0.04,所有参数被L2正则约束,避免过拟合。ReLU激活函数非线性化。

全连接层,把后边五个卷积层输出结果一切flatten,tf.reshape函数把各种样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数开首化全连接层weight,隐含节点384,正态分布标准差0.04,bias先河化0.1。设非零weight
loss值0.04,所有参数被L2正则约束,避免过拟合。ReLU激活函数非线性化。

第二个全连接层,隐含节点192。

第二个全连接层,隐含节点192。

末尾一层,先创建weight,正态分布标准差设上一隐含层节点数倒数,不计入L2正则。Softmax操作放在总计loss部分,不需要对inference输出softmax处理,就足以拿走最后分类,直接相比较inference输出各种数值大小。

最终一层,先成立weight,正态分布标准差设上一隐含层节点数最后多少个,不计入L2正则。Softmax操作放在总结loss部分,不需要对inference输出softmax处理,就能够收获最终分类,直接相比inference输出各个数值大小。

全部卷积神经网络从输入到输出流程。设计CNN,安排卷积层、池化层、全连接层分布和顺序,超参数设置、Trick使用。卷积神经网络布局:
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

全方位卷积神经网络从输入到输出流程。设计CNN,安排卷积层、池化层、全连接层分布和一一,超参数设置、Trick使用。卷积神经网络布局:
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

总结CNN loss。softmax统计和cross entropy loss
总结合在一块儿,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
全部loss求和,得最后loss,包括cross entropy loss,和后七个连续层weight
L2 loss。Logits节点、label_placeholder传入loss儿童数,得到最终loss。

统计CNN loss。softmax总结和cross entropy loss
总结合在一道,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,得最后loss,包括cross entropy loss,和后三个连续层weight
L2 loss。Logits节点、label_placeholder传入loss小孩子数,拿到最终loss。

优化器采取艾达m Optimizer,学习速率1e-3。

优化器选拔艾达m Optimizer,学习速率1e-3。

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

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

tf.InteractiveSession创立默认session ,伊始化全体模型参数。

tf.InteractiveSession创造默认session ,初阶化全体模型参数。

起步图片数据增长线程队列,16个线程加速。

启航图片数据增长线程队列,16个线程加速。

磨炼。每个step训练过程,session run方法执行images_train、
labels_train总括,拿到batch磨练多少,传入train_op和loss总结。记录每个step时间,每隔10个step总结显示当前loss、每分钟训练样本数量、锻练batch数据时间,监控所有锻炼过程。GTX
1080,每秒锻练1800个样本,batch_size 128,每个batch
0.066s。损失loss,最先4.6,3000步磨练下降到1.0。

教练。每个step训练过程,session run方法执行images_train、
labels_train统计,拿到batch磨炼多少,传入train_op和loss总计。记录每个step时间,每隔10个step统计显示当前loss、每分钟训练样本数量、磨炼batch数据时间,监控所有锻炼过程。GTX
1080,每秒磨炼1800个样本,batch_size 128,每个batch
0.066s。损失loss,最先4.6,3000步磨炼下降到1.0。

评测模型测试集准确率。测试集10000个样本,使用固定batch_size,逐个batch输入测试数据。统计全部样书评测完batch数量。每个step用session
run方法取得images_test、labels_test的batch,执行top_k_op统计模型
batch top
1预测正确样本数。汇总所有预测正确结果,求万事测试样本预测正确数量。

评测模型测试集准确率。测试集10000个样本,使用固定batch_size,逐个batch输入测试数据。总计全体样书评测完batch数量。每个step用session
run方法拿到images_test、labels_test的batch,执行top_k_op总结模型
batch top
1预测正确样本数。汇总所有预测正确结果,求万事测试样本预测正确数量。

打印准确率评测结果总计。

打印准确率评测结果总括。

73%准确率。持续扩充max_steps,期望准确率渐渐增多。max_steps较大,用学习速率衰减(decay)的SGD磨炼,接近86%。L2正则,LRN层提高模型准确率,提升框泛化性。

73%准确率。持续加码max_steps,期望准确率渐渐增加。max_steps较大,用学习速率衰减(decay)的SGD训练,接近86%。L2正则,LRN层提高模型准确率,提高框泛化性。

数量增长(Data
Augmentation),给单幅图扩张两个副本,提高图片利用率,避免图片结构学习过拟合。利用图片本身性能,图片冗余信息量较大,创立不同噪声,依可辨识。神经网络制服噪声准确辨认,泛化性更好。深度学习只要提供丰盛多样本,准确率可以穿梭提高。
规模越大越繁杂神经网络模型,可以达成准确率水平越高,需要更多多少锻炼。Alexcuda-convnet测试结果,CIFAR-10,不数据增长,错误最低下降到17%,数据增长,错误率下降到11%。

数码增长(Data
Augmentation),给单幅图增添三个副本,提高图片利用率,防止图片结构学习过拟合。利用图片本身性能,图片冗余音信量较大,创制不同噪声,依可识别。神经网络制伏噪声准确辨认,泛化性更好。深度学习只要提供丰硕多样本,准确率能够穿梭升级。
规模越大越繁杂神经网络模型,可以高达准确率水平越高,需要更多多少磨炼。Alexcuda-convnet测试结果,CIFAR-10,不数据增长,错误最低下降到17%,数据增长,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)
    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)

 

 

参考资料:
《TensorFlow实战》

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每时辰),我的微信:qingxingfengzi

欢迎付费咨询(150元每时辰),我的微信:qingxingfengzi