深度学习tensorflow实战笔记（1）全连接神经网络（FCN）训练自己的数据（从txt文件中读取）

1、准备数据

把数据放进txt文件中（数据量大的话，就写一段程序自己把数据自动的写入txt文件中，任何语言都能实现），数据之间用逗号隔开，最后一列标注数据的标签（用于分类），比如0,1。每一行表示一个训练样本。如下图所示。

其中前三列表示数据（特征），最后一列表示数据（特征）的标签。注意：标签需要从0开始编码！

2、实现全连接网络

这个过程我就不多说了，如何非常简单，就是普通的代码实现，本篇博客的重点在于使用自己的数据，有些需要注意的地方我在后面会做注释。直接上代码

 #隐含层参数设置
 in_units=3  #输入神经元个数
 h1_units=5  #隐含层输出神经元个数
 
 #第二个隐含层神经元个数
 h2_units=6
 
 W1=tf.Variable(tf.truncated_normal([in_units,h1_units],stddev=0.1)) #隐含层权重，W初始化为截断正态分布
 b1=tf.Variable(tf.zeros([h1_units]))  #隐含层偏执设置为0
 W2=tf.Variable(tf.truncated_normal([h1_units,h2_units],stddev=0.1)) #第二个隐含层权重，W初始化为截断正态分布
 b2=tf.Variable(tf.zeros([h2_units]))  #第二个隐含层偏执设置为0
 
 W3=tf.Variable(tf.zeros([h2_units,2])) #输出层权重和偏执都设置为0
 b3=tf.Variable(tf.zeros([2]))
 
 #定义输入变量x和dropout比率
 x=tf.placeholder(tf.float32,[None,3]) #列是
 keep_prob=tf.placeholder(tf.float32)
 
 #定义一个隐含层
 hidden1=tf.nn.relu(tf.matmul(x,W1)+b1)
 hidden1_drop=tf.nn.dropout(hidden1,keep_prob)
 
 #定义第二个隐藏层
 hidden2=tf.nn.relu(tf.matmul(hidden1_drop,W2)+b2)
 hidden2_drop=tf.nn.dropout(hidden2,keep_prob)

需要注意的地方

in_units=3  #输入神经元个数，和特征的维度对应起来

x=tf.placeholder(tf.float32,[None,3]) #和特征的维度对应起来

3、实现损失函数

标准的softmax和交叉熵，不多说了。

 y=tf.nn.softmax(tf.matmul(hidden2_drop,W3)+b3)
 
 #定义损失函数和选择优化器
 y_=tf.placeholder(tf.float32,[None,2])  #列是2，表示两类，行表示输入的训练样本个数，None表示不定
 
 corss_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
 train_step=tf.train.AdagradOptimizer(0.3).minimize(corss_entropy)

需要注意的地方：

y_=tf.placeholder(tf.float32,[None,2])  #有几类就写几，我写的是两类，所以就是2

4、从txt中读取数据，并做处理

重点来了，首先从txt中把数据读取出来，然后对标签进行独热编码，什么是独热编码？索引表示类别，是哪个类别这一维就是非零（用1）。代码实现：

 data=np.loadtxt('txt.txt',dtype='float',delimiter=',')
 
 #将样本标签转换成独热编码
 def label_change(before_label):
     label_num=len(before_label)
     change_arr=np.zeros((label_num,2))  #2表示有两类
     for i in range(label_num):
         #该样本标签数据要求从0开始
             change_arr[i,int(before_label[i])]=1
     return change_arr
 
 #用于提取数据
 def train(data):
     data_train_x=data[:7,:3]   #取前几行作为训练数据，7表示前7行，3表示取前三列，排除数据标签
     data_train_y=label_change(data[:7,-1])
     return data_train_x,data_train_y
 
 data_train_x,data_train_y=train(data)

需要注意的地方在代码中我都做了注释，不再赘述。

5、开始训练和测试

训练部分

 for i in range(5):  #迭代，取batch进行训练
    img_batch, label_batch = tf.train.shuffle_batch([data_train_x, data_train_y],   #随机取样本
                                                     batch_size=2,
                                                     num_threads=2,
                                                     capacity=7,
                                                     min_after_dequeue=2,
                                                     enqueue_many=True)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord, sess=sess) 
 
    img_batch,label_batch=sess.run([img_batch,label_batch])
 
    train_step.run({x:img_batch,y_:label_batch,keep_prob:0.75}    

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

这样就全部流程完成。其中网络结构可以做相应的修改，核心在于如何从txt中读取自己的数据输入到全连接神经网络（多层感知机）中进行训练和测试。

当然，也可以在定义变量的时候直接输入，不用从txt中读取。即：

 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]]
 label=[[0,1],[1,0],[1,0],[1,0],[1,0],[0,1],[0,1]]
 image_test=[[9,9,9]]
 label_test=[[0,1]] 

直接定于数据的话，适合小数据量的情况，大数据量的情况并不适用。

好了，本篇博客介绍到此结束。下一篇介绍如何处理图像数据。

以上便是本章分享内容，有问题，可以进群871458817交流在群内下载资料学习。最后，感谢观看！