神经网络入门(6)

今天使用 TensorFlow 来实现图片分类问题，首先我们需要那一些图片资源来训练神经网络。今天是周末，经过一周紧张工作和学习感觉有些疲劳，今天就简单给大家介绍一下，如果内容不够详细随后还会进行补充。

import os
import tarfile
# print(os.path.exists("./cifar-10-python.tar.gz"))
tarfile.open("./cifar-10-python.tar.gz", 'r:gz').extractall(".")
CIFAR_DIR = "./cifar-10-batches-py"
print(os.listdir(CIFAR_DIR))

对下载下来的 .tar.gz 压缩文件夹进行解压获取资源文件，os.listdir(CIFAR_DIR) 查看一下资源文件夹中所包含的内容。

['batches.meta', 'data_batch_1', 'data_batch_2', 'data_batch_3', 'data_batch_4', 'data_batch_5', 'readme.html', 'test_batch']

其中 'data_batch_1', 'data_batch_2', 'data_batch_3', 'data_batch_4', 'data_batch_5'为数据文件，我们打印 data 数据获取

with open(os.path.join(CIFAR_DIR,"data_batch_1"),"rb") as f:
    data = pickle.load(f,encoding='latin1')
    print(type(data))

with 语句我们就不用指定 f 将打开文件作为 f 使用，接下来使用 pickle 文件加载数据，在 python2 中使用 cPickle 来代替 pickle。通过打印 data 类型发现为字典类型

<class 'dict'>

我们可以尝试输出一下 data 的字典结构中键值

with open(os.path.join(CIFAR_DIR,"data_batch_1"),"rb") as f:
    data = pickle.load(f,encoding='latin1')
    print(type(data))
    print(data.keys())

dict_keys(['batch_label', 'labels', 'data', 'filenames'])

输出 data 中 data 键对应数据的形状，发现为 numpy 为矩阵。我们图片数据都保存在 data['data'] 中

继续输出矩阵形状，也就是他是一个几维矩阵

print(data['data'].shape)

这里提供 10000 条图片的数据，32 * 32 * 3 = 3072 表示 32 x 32 图片的 RBG 数据数量

(10000, 3072)

我们知道

with open(os.path.join(CIFAR_DIR,"data_batch_2"),'rb') as f:
    data = pickle.load(f,encoding='latin1')
    image_arr = data['data'][100]
    image_arr = image_arr.reshape(3,32,32)
    image_arr = image_arr.transpose(1,2,0)
    plt.imshow(image_arr)
    plt.show()

接下来工作是将数据显示为图片，准备查看第 100 张图片，所有获得数组索引为 100 的数据。
根据数据格式我们知道图片是一个三通道，所以需要将要数据拆成一个 2 维数组，每个点又是一个数组保存 3 （RGB) 颜色信息。通过 reshape 来改变数组结构，（3，32，32）表示 3 通道 32 表示图片大小为 32 x 32。不过要想显示图片需要这个 32 32 3 这样结构数据，所以需要 transpose 来对数组结构进行调整。

神经网络入门(6)

构建神经网络

我们已经准备好了数据，现在可以搭建神经网络，开始 TensorFlow 模型。首先引入我们 TensorFlow 和 numpy 库。

定义占位符

定义占位符接受变量，x 表示输入也就是将图片像素，类型为 float32，有关 placeholder 用法和好处是我们在 Tensorflow 中需要神经网络搭建起来可以预留一些位置稍后输入数据，这就是 placeholder 的具体用法。

x = tf.placeholder(tf.float32,[None,3072])
# [None]
y = tf.placeholder(tf.int64,[None])

y 为 labels 的 placeholder 以为 y 为离散变量所有类型为 int64
None 表示输入样本数量是不确定

x = tf.placeholder(tf.float32,[None,3072])
# [None]
y = tf.placeholder(tf.int64,[None])
#[]
w = tf.get_variable('w',[x.get_shape()[-1],1],initializer=tf.random_normal)

b = tf.get_variable('b',[1],initializer=tf.constant_initializer(0.0))

y_ = tf.matmul(x,w) + b

p_y_l = tf.nn.sigmoid(y_)

y_reshaped = tf.reshape(y,(-1,1))

对于每一个 x 输入我们都需要一个权重和 x 做内积，所有维度应该和单个样本维度 3072 相同，这里使用 [x.get_shape()[-1],1] 输出为 1 initializer 这里是做初始化，这里使用正态分布。然后定义 b 为偏执。这里大家如果就得解释不够，随后当代码 coding 完，详细给大家进行解释说明。