import tensorflow as tf
這個方法就是深度學習的神經(jīng)網(wǎng)絡，代碼的核心部分。
def inference(images, batch_size, n_classes):
? ? with tf.variable_scope('conv1') as scope:
? ? ? ? weights = tf.get_variable('weights',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape = [3,3,3, 16],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype = tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.truncated_normal_initializer(stddev=0.1,dtype=tf.float32))
? ? ? ? biases = tf.get_variable('biases',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[16],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.constant_initializer(0.1))
? ? ? ? conv = tf.nn.conv2d(images, weights, strides=[1,1,1,1], padding='SAME')
? ? ? ? pre_activation = tf.nn.bias_add(conv, biases)
? ? ? ? conv1 = tf.nn.relu(pre_activation, name= scope.name)
? ? #pool1 and norm1?
? ? with tf.variable_scope('pooling1_lrn') as scope:
? ? ? ? pool1 = tf.nn.max_pool(conv1, ksize=[1,3,3,1],strides=[1,2,2,1],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? padding='SAME', name='pooling1')
? ? ? ? norm1 = tf.nn.lrn(pool1, depth_radius=4, bias=1.0, alpha=0.001/9.0,
? ? ? ? ? ? ? ? ? ? ? ? ? beta=0.75,name='norm1')
? ? #conv2
? ? with tf.variable_scope('conv2') as scope:
? ? ? ? weights = tf.get_variable('weights',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[3,3,16,16],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.truncated_normal_initializer(stddev=0.1,dtype=tf.float32))
? ? ? ? biases = tf.get_variable('biases',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[16],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.constant_initializer(0.1))
? ? ? ? conv = tf.nn.conv2d(norm1, weights, strides=[1,1,1,1],padding='SAME')
? ? ? ? pre_activation = tf.nn.bias_add(conv, biases)
? ? ? ? conv2 = tf.nn.relu(pre_activation, name='conv2')
? ? #pool2 and norm2
? ? with tf.variable_scope('pooling2_lrn') as scope:
? ? ? ? norm2 = tf.nn.lrn(conv2, depth_radius=4, bias=1.0, alpha=0.001/9.0,
? ? ? ? ? ? ? ? ? ? ? ? ? beta=0.75,name='norm2')
? ? ? ? pool2 = tf.nn.max_pool(norm2, ksize=[1,3,3,1], strides=[1,1,1,1],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? padding='SAME',name='pooling2')
? ? #local3
? ? with tf.variable_scope('local3') as scope:
? ? ? ? reshape = tf.reshape(pool2, shape=[batch_size, -1])
? ? ? ? dim = reshape.get_shape()[1].value
? ? ? ? weights = tf.get_variable('weights',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[dim,128],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.truncated_normal_initializer(stddev=0.005,dtype=tf.float32))
? ? ? ? biases = tf.get_variable('biases',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[128],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.constant_initializer(0.1))
? ? ? ? local3 = tf.nn.relu(tf.matmul(reshape, weights) + biases, name=scope.name)? ?
? ? #local4
? ? with tf.variable_scope('local4') as scope:
? ? ? ? weights = tf.get_variable('weights',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[128,128],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.truncated_normal_initializer(stddev=0.005,dtype=tf.float32))
? ? ? ? biases = tf.get_variable('biases',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[128],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.constant_initializer(0.1))
? ? ? ? local4 = tf.nn.relu(tf.matmul(local3, weights) + biases, name='local4')
? ? # softmax
? ? with tf.variable_scope('softmax_linear') as scope:
? ? ? ? weights = tf.get_variable('softmax_linear',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[128, n_classes],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.truncated_normal_initializer(stddev=0.005,dtype=tf.float32))
? ? ? ? biases = tf.get_variable('biases',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? shape=[n_classes],
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? dtype=tf.float32,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? initializer=tf.constant_initializer(0.1))
? ? ? ? softmax_linear = tf.add(tf.matmul(local4, weights), biases, name='softmax_linear')
? ? return softmax_linear
#%%
def losses(logits, labels):
? ? with tf.variable_scope('loss') as scope:
? ? ? ? cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits\
? ? ? ? ? ? ? ? ? ? ? ? (logits=logits, labels=labels, name='xentropy_per_example')
? ? ? ? loss = tf.reduce_mean(cross_entropy, name='loss')
? ? ? ? tf.summary.scalar(scope.name+'/loss', loss)
? ? return loss
def trainning(loss, learning_rate):
? ? with tf.name_scope('optimizer'):
? ? ? ? optimizer = tf.train.AdamOptimizer(learning_rate= learning_rate)
? ? ? ? global_step = tf.Variable(0, name='global_step', trainable=False)
? ? ? ? train_op = optimizer.minimize(loss, global_step= global_step)
? ? return train_op
def evaluation(logits, labels):
? with tf.variable_scope('accuracy') as scope:
? ? ? correct = tf.nn.in_top_k(logits, labels, 1)
? ? ? correct = tf.cast(correct, tf.float16)
? ? ? accuracy = tf.reduce_mean(correct)
? ? ? tf.summary.scalar(scope.name+'/accuracy', accuracy)
? return accuracy
