模型训练参数100万个,经典数据集CIFAMurano-10澳门皇冠官网app

经文数据集CIFA本田UR-V-10,50000张32×32彩色图像,磨炼集四千0张,测试集一千0张。标注10类,每类图片五千张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有其余重叠。CIFA酷威-100,100类标注。深度学习之父
杰弗里 Hinton和学生亚历克斯 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陶冶十几钟头。详细Benchmark和排行在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现有卷积神经互连网已经缓解CIFA福睿斯-10数据集难题。

经典数据集CIFA纳瓦拉-10,伍仟0张32×32彩色图像,陶冶集40000张,测试集一千0张。标注10类,每类图片陆仟张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有任何重叠。CIFAXC60-100,100类标注。深度学习之父
杰弗里 Hinton和学生亚历克斯 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磨练十何时辰。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化解CIFA科雷傲-10数据集难点。

根据亚历克斯 cuda-convnet模型修改,3000个batch,各种batch
12玖个样本,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(每隔一段时间下落学习速率三个比率),正确率可到86%。模型陶冶参数100万个,预测四则运算总量三千万次。对weights进行L2正则化。图片翻转、随机剪切等数据增进,创制越来越多种本。各种卷积-最大池化层后用L凯雷德N层,增强模型泛化能力。

依照亚历克斯 cuda-convnet模型修改,3000个batch,各个batch
1三十多个样本,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
结合学习进程decay(每隔一段时间下落学习速率二个比率),正确率可到86%。模型锻练参数100万个,预测四则运算总量三千万次。对weights进行L2正则化。图片翻转、随机剪切等数据增加,创立更二种本。每一种卷积-最大池化层后用LKoleosN层,增强模型泛化能力。

下载TensorFlow Models库,使用当中提供CIFA昂科威-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

下载TensorFlow Models库,使用当中提供CIFA福特Explorer-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CIFA卡宴-10数据类。

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFA奥迪Q5-10数据类。

定义batch_size,磨炼轮数max_steps,下载CIFARAV4-10数据私下认可路径。

定义batch_size,磨炼轮数max_steps,下载CIFATiguan-10数据暗许路径。

概念开首化weight函数,tf.truncated_normal截断正态分布伊始化权重。Weight加L2
loss ,做L2
正则化。裁减特征或处置不主要特点权重,缓解特征过多导致过拟合。正则化支持找到该处以的特点权重。为利用某些特征,需提交loss代价。L1正则创设稀疏特征,大多数无用特征权重被置0。L2正则让特征权重但是大,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,得最终 weight loss。tf.add_to_collection weight
loss统一存在collection losses,总括神经互联网总体loss使用。

概念开首化weight函数,tf.truncated_normal截断正态分布早先化权重。Weight加L2
loss ,做L2
正则化。缩小特征或处以不首要特点权重,缓解特征过多导致过拟合。正则化帮忙找到该处以的风味权重。为运用有些特征,需提交loss代价。L1正则成立稀疏特征,超越十分之五无用特征权重被置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函数总计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,总结神经互联网总体loss使用。

用cifar10类下载数据集,解压、展开到私下认可地方。

用cifar10类下载数据集,解压、展开到私下认可地方。

用cifar10_input类
distorted_inputs函数发生陶冶多少,包含特征、label,再次来到封装tensor,每一次执行生成三个batch_size数量样本。Data
Augmentation(数据拉长),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图形(tf.random_crop)、设置随机亮度相比较度(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,保险数据零均值,方差1)。得到更各类本,带噪声,一张图片样本变多张图纸,扩充样本量,进步准确率。数据增长操作消耗大批量CPU时间,distored_inputs用十五个单身线程加快职责,函数内部发生线程池,通过TensorFlow
queue调度。

用cifar10_input类
distorted_inputs函数产生练习多少,包罗特征、label,重临封装tensor,每回执行生成四个batch_size数量样本。Data
Augmentation(数据拉长),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图形(tf.random_crop)、设置随机亮度相比较度(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,保障数据零均值,方差1)。获得更种种本,带噪声,一张图片样本变多张图片,扩充样本量,升高准确率。数据拉长操作消耗多量CPU时间,distored_inputs用拾陆个单身线程加快职分,函数内部产生线程池,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。

创建输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义互连网布局要用,数据尺寸第三个值样本条数必要事先设定,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,彩色凯雷德GB三通道。

创设输入数据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3个值样本条数须求事先设定,不能够设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QX56GB三通道。

首先个卷积层,variable_with_weight_loss
函数创设卷积核参数开端化。卷积核大小5×5,一个颜色通道,六十四个卷积核,设置weight初始化函数标准差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模式SAME,bias开首化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最大池化层处理数量,尺寸、步长不均等,扩展数量丰硕性。tf.nn.lrn函数,L中华VN,处理结果。

先是个卷积层,variable_with_weight_loss
函数创造卷积核参数开始化。卷积核大小5×5,二个颜色通道,六二十个卷积核,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方式SAME,bias初阶化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、步长不雷同,扩展数据丰裕性。tf.nn.lrn函数,L奥迪Q3N,处理结果。

L奥迪Q3N起于Alex用CNN插足ImageNet竞技散文。L途达N模仿生物神经系统侧抑制机制,对一部分神经元活动创办竞争条件,响应较大值变得相对更大,抑制别的举报较小神经元,增强模型泛化能力。用LSportageN后CNN
Top1错误率下跌1.4%。LLX570N对无上限边界激活函数ReLU有用,从隔壁八个卷积核响应(Response)挑选较大报告,不符合固定边界能平抑过大值激活函数Sigmoid。

L奇骏N起于亚历克斯用CNN插足ImageNet竞技随想。L本田CR-VN模仿生物神经系统侧抑制机制,对部分神经元活动开创竞争环境,响应较大值变得相对更大,抑制别的报告较小神经元,增强模型泛化能力。用L奥迪Q5N后CNN
Top1错误率降低1.4%。LOdysseyN对无上限边界激活函数ReLU有用,从邻近八个卷积核响应(Response)挑选较大报告,不适合固定边界能遏制过大值激活函数Sigmoid。

第二个卷积层,卷积核尺寸第贰维度输入通道数64,bias值全开端化0.1。先实行L宝马7系N层处理,再用最大池化层。

第二个卷积层,卷积核尺寸第①维度输入通道数64,bias值全初阶化0.1。先进行LENVISIONN层处理,再用最大池化层。

全连接层,把前边八个卷积层输出结果一切flatten,tf.reshape函数把每一个样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数初阶化全连接层weight,隐含节点384,正态分布标准差0.04,bias起始化0.1。设非零weight
loss值0.04,全数参数被L2正则约束,制止过拟合。ReLU激活函数非线性化。

全连接层,把前边四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函数开头化全连接层weight,隐含节点384,正态分布标准差0.04,bias先导化0.1。设非零weight
loss值0.04,全部参数被L2正则约束,制止过拟合。ReLU激活函数非线性化。

第①个全连接层,隐含节点192。

其次个全连接层,隐含节点192。

末了一层,先创造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操作放在总结loss部分,不供给对inference输出softmax处理,就足以获得最终分类,直接相比inference输出各种数值大小。

说到底一层,先创立weight,正态分布标准差设上一隐含层节点数尾数,不计入L2正则。Softmax操作放在总括loss部分,不须要对inference输出softmax处理,就可以赢得最后分类,直接相比较inference输出各样数值大小。

任何卷积神经互连网从输入到输出流程。设计CNN,布置卷积层、池化层、全连接层分布和各类,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

漫天卷积神经互连网从输入到输出流程。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

计量CNN loss。softmax总括和cross entropy loss
总括合在一道,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全部losses collection
全体loss求和,得最后loss,包涵cross entropy loss,和后多个接二连三层weight
L2 loss。Logits节点、label_placeholder传入loss儿童数,获得最后loss。

总结CNN loss。softmax计算和cross entropy loss
总结合在一起,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全部losses collection
全部loss求和,得最终loss,包含cross entropy loss,和后两个一而再层weight
L2 loss。Logits节点、label_placeholder传入loss小孩子数,得到最后loss。

优化器接纳艾达m Optimizer,学习速率1e-3。

优化器选拔Adam Optimizer,学习速率1e-3。

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

tf.InteractiveSession创设私下认可session ,早先化整人体模型子参数。

tf.InteractiveSession创制默许session ,起首化全人体模型子参数。

开发银行图片数据增加线程队列,15个线程加速。

启航空图片数据增进线程队列,十五个线程加快。

教练。各类step陶冶进程,session run方法执行images_train、
labels_train计算,获得batch练习多少,传入train_op和loss计算。记录每一种step时间,每隔13个step总结展现当前loss、每分钟练习样本数量、磨炼batch数据时间,监察和控制整个陶冶进度。GTX
1080,每秒陶冶1800个样本,batch_size 128,每一个batch
0.066s。损失loss,早先4.6,三千步陶冶下落到1.0。

教练。每种step练习进程,session run方法执行images_train、
labels_train计算,得到batch练习多少,传入train_op和loss总计。记录各种step时间,每隔十一个step总括展现当前loss、每分钟磨练样本数量、磨炼batch数据时间,监察和控制全数演练进程。GTX
1080,每秒训练1800个样本,batch_size 128,每一种batch
0.066s。损失loss,起首4.6,两千步锻炼下跌到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,每种batch输入测试数据。总括全部样书评测完batch数量。各类step用session
run方法赢得images_test、labels_test的batch,执行top_k_op总括模型
batch top
1预测正确样本数。汇总全部预测正确结果,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,每一个batch输入测试数据。总结全体样书评测完batch数量。每一种step用session
run方法取得images_test、labels_test的batch,执行top_k_op总括模型
batch top
1预测正确样本数。汇总全数预测正确结果,求全体测试样本预测正确数量。

打字与印刷准确率评测结果总括。

打字与印刷准确率评测结果计算。

73%准确率。持续增多max_steps,期望准确率逐步增多。max_steps较大,用学习速率衰减(decay)的SGD磨炼,接近86%。L2正则,LKugaN层提高模型准确率,进步框泛化性。

73%准确率。持续扩大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陶冶,接近86%。L2正则,LSportageN层升高模型准确率,升高框泛化性。

数码增进(Data
Augmentation),给单幅图扩张四个副本,提升图片利用率,幸免图片结构学习过拟合。利用图片本身品质,图片冗余音信量较大,创造分化噪声,依可辨识。神经网络征服噪声准确识别,泛化性更好。深度学习只要提供丰硕各类本,准确率能够持续升级。
规模越大越复杂神经互连网模型,能够达到准确率水平越高,供给越来越多多少磨炼。亚历克斯cuda-convnet测试结果,CIFA凯雷德-10,不数据增加,错误最低下跌到17%,数据增加,错误率下落到11%。

数码增进(Data
Augmentation),给单幅图增添多少个副本,提升图片利用率,防止图片结构学习过拟合。利用图片自己品质,图片冗余音信量较大,成立分裂噪声,依可辨识。神经互联网克服噪声准确识别,泛化性更好。深度学习只要提供丰硕各样本,准确率能够不断升级。
规模越大越繁杂神经互联网模型,可以完毕准确率水平越高,须求越来越多数据练习。Alexcuda-convnet测试结果,CIFA奥迪Q5-10,不数据增加,错误最低下落到17%,数据增加,错误率下落到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),作者的微信:qingxingfengzi

欢迎付费咨询(150元每小时),笔者的微信:qingxingfengzi