#?-*-?coding:?utf-8?-*-
“““
Created?on?Sat?Oct?19?21:39:21?2019

@author:?華陽
“““
import?random
import?tensorflow?as?tf
import?numpy?as?np
from?libsvm.python.svmutil?import?*

train_data?=?np.load（“train_data.npy“）
train_label?=?np.load（“train_label.npy“）
test_data?=?np.load（“test_data.npy“）
test_label?=?np.load（“test_label.npy“）

train_data?=?train_data.reshape（15006400）
test_data?=?test_data.reshape（3006400）


sess?=?tf.InteractiveSession（）
def?weight_variable（shape）:
????initial?=?tf.truncated_normal（shape?stddev?=?0.05）??#截斷的正態分布，標準差stddev
????return?tf.Variable（initial）
#?偏置參數初始化
def?bias_variable（shape）:
????initial?=?tf.constant（0.1?shape?=?shape）
????return?tf.Variable（initial）?
#?定義卷積層
def?conv2d（x?W）:
????#?stride的四個參數：[batch?height?width?channels]?[batch_size?image_rows?image_cols?number_of_colors]
????#?height?width就是圖像的高度和寬度，batch和channels在卷積層中通常設為1
????return?tf.nn.conv2d（x?W?strides?=?[1?1?1?1]?padding?=?‘SAME‘）?
def?max_pool_2x2（x）:
????return?tf.nn.max_pool（x?ksize?=?[1?2?2?1]?strides?=?[1?2?2?1]?padding?=?‘SAME‘）

xs?=?tf.placeholder（tf.float32?[None?6400]）
ys?=?tf.placeholder（tf.float32?[None?2]）
keep_prob?=?tf.placeholder（tf.float32）

x_image?=?tf.reshape（xs?[-1?80?80?1]）#??-1?28?28?1

#print（x_image.shape）

#?卷積層一

#?patch為5*5，in_size為1，即圖像的厚度，如果是彩色，則為3，32是out_size，輸出的大小-》32個卷積和（濾波器）

W_conv1?=?weight_variable（[9?9?1?32]）
b_conv1?=?bias_variable（[32]）
#?ReLU操作，輸出大小為28*28*32

h_conv1?=?tf.nn.relu（conv2d（x_image?W_conv1）?+?b_conv1）
#?Pooling操作，輸出大小為14*14*32
h_pool1?=?max_pool_2x2（h_conv1）


#?卷積層二

#?patch為5*5，in_size為32，即圖像的厚度，64是out_size，輸出的大小

W_conv2?=?weight_variable（[9?9?32?64]）
b_conv2?=?bias_variable（[64]）
#?ReLU操作，輸出大小為14*14*64
h_conv2?=?tf.nn.relu（conv2d（h_pool1?W_conv2）?+?b_conv2）
#?Pooling操作，輸出大小為7*7*64
h_pool2?=?max_pool_2x2（h_conv2）

?

#?全連接層一
W_fc1?=?weight_variable（[20?*?20?*?64?640]）
b_fc1?=?bias_variable（[640]）
#?輸入數據變換
h_pool2_flat?=?tf.reshape（h_pool2?[-1?20?*?20?*?64]）??#整形成m*n列n為7*7*64
#?進行全連接操作
h_fc1?=?tf.nn.relu（tf.matmul（h_pool2_flat?W_fc1）?+?b_fc1）??#?tf.matmul
#?防止過擬合，dropout
h_fc1_drop?=?tf.nn.dropout（h_fc1?keep_prob）


#?全連接層二
W_fc2?=?weight_variable（[640?2]）
b_fc2?=?bias_variable（[2]）

prediction?=?tf.nn.softmax（tf.matmul（h_fc1_drop?W_fc2）?+?b_fc2）
#?計算loss
cross_entropy?=?tf.reduce_mean（-tf.reduce_sum（ys?*?tf.log（tf.clip_by_value（prediction1e-81.0））））
#?神經網絡訓練
train_step?=?tf.train.AdamOptimizer（0.0001）.minimize（cross_entropy）?#0.0001

#?定義Session
sess?=?tf.Session（）

init?=?tf.global_variables_initializer（）
#?執行初始化
sess.run（init）

for?i?in?range（500）:
????
????????#?跑3000輪迭代，每次隨機從訓練樣本中抽出50個進行訓練
????batch?=?（[]?[]）
????p?=?random.sample（range（1500）?50）
????for?k?in?p:
????????batch[0].append（train_data[k]）
????????batch[1].append（train_label[k]）
????????
????sess.run（train_step?feed_dict={xs:?batch[0]?ys:?batch[1]?keep_prob:?0.6}）

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????4595??2019-11-08?10:45??基于CNN+SVM的貓狗識別\CNN_SVM.py
?????文件????76800128??2019-10-22?10:41??基于CNN+SVM的貓狗識別\train_data.npy
?????文件???????12128??2019-10-22?10:41??基于CNN+SVM的貓狗識別\train_label.npy
?????文件?????3840128??2019-10-23?12:29??基于CNN+SVM的貓狗識別\x_temp.npy
?????文件??????768128??2019-10-23?12:29??基于CNN+SVM的貓狗識別\x_temp2.npy
?????文件?????????163??2019-11-08?10:50??基于CNN+SVM的貓狗識別\說明.txt
?????目錄???????????0??2020-10-12?16:31??基于CNN+SVM的貓狗識別\