深度學習tensorflow實戰筆記（1）全連接神經網路（FCN）訓練自己的數據（從txt文件中讀取）

2019 年 11 月 10 日
筆記

1、準備數據

把數據放進txt文件中（數據量大的話，就寫一段程式自己把數據自動的寫入txt文件中，任何語言都能實現），數據之間用逗號隔開，最後一列標註數據的標籤（用於分類），比如0,1。每一行表示一個訓練樣本。如下圖所示。

其中前三列表示數據（特徵），最後一列表示數據（特徵）的標籤。注意：標籤需要從0開始編碼！

2、實現全連接網路

這個過程我就不多說了，如何非常簡單，就是普通的程式碼實現，本篇部落格的重點在於使用自己的數據，有些需要注意的地方我在後面會做注釋。直接上程式碼

 1 #隱含層參數設置   2 in_units=3  #輸入神經元個數   3 h1_units=5  #隱含層輸出神經元個數   4   5 #第二個隱含層神經元個數   6 h2_units=6   7   8   9 W1=tf.Variable(tf.truncated_normal([in_units,h1_units],stddev=0.1)) #隱含層權重，W初始化為截斷正態分布  10 b1=tf.Variable(tf.zeros([h1_units]))  #隱含層偏執設置為0  11 W2=tf.Variable(tf.truncated_normal([h1_units,h2_units],stddev=0.1)) #第二個隱含層權重，W初始化為截斷正態分布  12 b2=tf.Variable(tf.zeros([h2_units]))  #第二個隱含層偏執設置為0  13  14 W3=tf.Variable(tf.zeros([h2_units,2])) #輸出層權重和偏執都設置為0  15 b3=tf.Variable(tf.zeros([2]))  16  17 #定義輸入變數x和dropout比率  18 x=tf.placeholder(tf.float32,[None,3]) #列是  19 keep_prob=tf.placeholder(tf.float32)  20  21 #定義一個隱含層  22 hidden1=tf.nn.relu(tf.matmul(x,W1)+b1)  23 hidden1_drop=tf.nn.dropout(hidden1,keep_prob)  24  25 #定義第二個隱藏層  26 hidden2=tf.nn.relu(tf.matmul(hidden1_drop,W2)+b2)  27 hidden2_drop=tf.nn.dropout(hidden2,keep_prob)

需要注意的地方

in_units=3 #輸入神經元個數，和特徵的維度對應起來

x=tf.placeholder(tf.float32,[None,3]) #和特徵的維度對應起來

3、實現損失函數

標準的softmax和交叉熵，不多說了。

1 y=tf.nn.softmax(tf.matmul(hidden2_drop,W3)+b3)  2  3 #定義損失函數和選擇優化器  4 y_=tf.placeholder(tf.float32,[None,2])  #列是2，表示兩類，行表示輸入的訓練樣本個數，None表示不定  5  6 corss_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))  7 train_step=tf.train.AdagradOptimizer(0.3).minimize(corss_entropy)

需要注意的地方：

y_=tf.placeholder(tf.float32,[None,2]) #有幾類就寫幾，我寫的是兩類，所以就是2

4、從txt中讀取數據，並做處理

重點來了，首先從txt中把數據讀取出來，然後對標籤進行獨熱編碼，什麼是獨熱編碼？索引表示類別，是哪個類別這一維就是非零（用1）。程式碼實現：

 1 data=np.loadtxt('txt.txt',dtype='float',delimiter=',')   2   3 #將樣本標籤轉換成獨熱編碼   4 def label_change(before_label):   5     label_num=len(before_label)   6     change_arr=np.zeros((label_num,2))  #2表示有兩類   7     for i in range(label_num):   8         #該樣本標籤數據要求從0開始   9             change_arr[i,int(before_label[i])]=1  10     return change_arr  11  12 #用於提取數據  13 def train(data):  14     data_train_x=data[:7,:3]   #取前幾行作為訓練數據，7表示前7行，3表示取前三列，排除數據標籤  15     data_train_y=label_change(data[:7,-1])  16     return data_train_x,data_train_y  17  18  19 data_train_x,data_train_y=train(data)

需要注意的地方在程式碼中我都做了注釋，不再贅述。

5、開始訓練和測試

訓練部分

 1 for i in range(5):  #迭代，取batch進行訓練   2    img_batch, label_batch = tf.train.shuffle_batch([data_train_x, data_train_y],   #隨機取樣本   3                                                     batch_size=2,   4                                                     num_threads=2,   5                                                     capacity=7,   6                                                     min_after_dequeue=2,   7                                                     enqueue_many=True)   8    coord = tf.train.Coordinator()   9    threads = tf.train.start_queue_runners(coord=coord, sess=sess)  10  11  12    img_batch,label_batch=sess.run([img_batch,label_batch])  13  14    train_step.run({x:img_batch,y_:label_batch,keep_prob:0.75}

1 #預測部分  2 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))  3 accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))  4 print(accuracy.eval({x:data_train_x,y_:data_train_y,keep_prob:1.0}))

這樣就全部流程完成。其中網路結構可以做相應的修改，核心在於如何從txt中讀取自己的數據輸入到全連接神經網路（多層感知機）中進行訓練和測試。

當然，也可以在定義變數的時候直接輸入，不用從txt中讀取。即：

1 image=[[1.0,2.0,3.0],[9,8,5],[9,5,6],[7,5,3],[6,12,7],[8,3,6],[2,8,71]]  2 label=[[0,1],[1,0],[1,0],[1,0],[1,0],[0,1],[0,1]]  3 image_test=[[9,9,9]]  4 label_test=[[0,1]]

直接定於數據的話，適合小數據量的情況，大數據量的情況並不適用。

好了，本篇部落格介紹到此結束。下一篇介紹如何處理影像數據。