Ceci est un exemple complet basé sur tensorflow github. Je l'ai copié d'une autre réponse que j'ai faite ailleurs sur SO. Il y a probablement d'autres/meilleures façons de le faire quelque part.
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import numpy as np
import pandas as pd
import argparse
import sys
import tempfile
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
FLAGS = None
def deepnn(x):
"""deepnn construit le graphique pour un réseau neuronal profond pour classifier les chiffres.
Args:
x: un tenseur d'entrée avec des dimensions (N_exemples, 784), où 784 est le
nombre de pixels dans une image MNIST standard.
Returns:
Un tuple (y, keep_prob). y est un tenseur de forme (N_exemples, 10), avec des valeurs
égales aux logits de classification du chiffre dans l'une des 10 classes (les
chiffres 0-9). keep_prob est un paramètre scalaire pour la probabilité de
dropout.
"""
# Reshape pour une utilisation dans un réseau neuronal convolutif.
# La dernière dimension est pour "features" - il y en a une seule ici, puisque les images sont
# en niveaux de gris - ce serait 3 pour une image RGB, 4 pour une image RGBA, etc.
with tf.name_scope('reshape'):
x_image = tf.reshape(x, [-1, 28, 28, 1])
# Première couche convolutive - mappe une image en niveaux de gris vers 32 cartes de caractéristiques.
with tf.name_scope('conv1'):
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# Couche de pooling - diminue par 2X.
with tf.name_scope('pool1'):
h_pool1 = max_pool_2x2(h_conv1)
# Deuxième couche convolutive - mappe 32 cartes de caractéristiques vers 64.
with tf.name_scope('conv2'):
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
# Deuxième couche de pooling.
with tf.name_scope('pool2'):
h_pool2 = max_pool_2x2(h_conv2)
# Couche complètement connectée 1 - après 2 rounds de réduction, notre image 28x28
# est réduite à 7x7x64 cartes de caractéristiques - mappe cela à 1024 caractéristiques.
with tf.name_scope('fc1'):
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# Dropout - contrôle la complexité du modèle, empêche la co-adaptation des
# caractéristiques.
keep_prob = tf.placeholder_with_default(1.0,())
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# Mappe les 1024 caractéristiques vers 10 classes, une pour chaque chiffre
with tf.name_scope('fc2'):
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
return y_conv, keep_prob
def conv2d(x, W):
"""conv2d renvoie une couche de convolution 2d avec un pas complet."""
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
"""max_pool_2x2 réduit la taille d'une carte de caractéristiques de moitié."""
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
def weight_variable(shape):
"""weight_variable génère une variable de poids de la forme donnée."""
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
"""bias_variable génère une variable de biais de la forme donnée."""
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# Importation des données
mnist = input_data.read_data_sets("/tmp")
# Crée le modèle
x = tf.placeholder(tf.float32, [None, 784], name="x")
# Définit la perte et l'optimiseur
y_ = tf.placeholder(tf.int64, [None])
# Construit le graphique pour le réseau profond
y_conv, keep_prob = deepnn(x)
with tf.name_scope('loss'):
cross_entropy = tf.losses.sparse_softmax_cross_entropy(
labels=y_, logits=y_conv)
cross_entropy = tf.reduce_mean(cross_entropy)
with tf.name_scope('adam_optimizer'):
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
with tf.name_scope('accuracy'):
correct_prediction = tf.equal(tf.argmax(y_conv, 1), y_)
correct_prediction = tf.cast(correct_prediction, tf.float32)
accuracy = tf.reduce_mean(correct_prediction)
graph_location = tempfile.mkdtemp()
print('Enregistrement du graphique dans: %s' % graph_location)
train_writer = tf.summary.FileWriter(graph_location)
train_writer.add_graph(tf.get_default_graph())
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(1000):
batch = mnist.train.next_batch(50)
if i % 100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x: batch[0], y_: batch[1], keep_prob: 1.0})
print('étape %d, précision de l'entraînement %g' % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print('précision du test %g' % accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
simg = np.reshape(mnist.test.images[0],(-1,784))
output = sess.run(y_conv,feed_dict={x:simg,keep_prob:1.0})
print(tf.argmax(output,1).eval())
saver = tf.train.Saver()
saver.save(sess,"/tmp/network")
Restauration à partir d'une nouvelle exécution python :
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import tensorflow as tf
import numpy as np
import argparse
import sys
import tempfile
from tensorflow.examples.tutorials.mnist import input_data
sess = tf.Session()
saver = tf.train.import_meta_graph('/tmp/network.meta')
saver.restore(sess,tf.train.latest_checkpoint('/tmp'))
graph = tf.get_default_graph()
mnist = input_data.read_data_sets("/tmp")
simg = np.reshape(mnist.test.images[0],(-1,784))
op_to_restore = graph.get_tensor_by_name("fc2/MatMul:0")
x = graph.get_tensor_by_name("x:0")
output = sess.run(op_to_restore,feed_dict= {x:simg})
print("Résultat = ", np.argmax(output))
