###前提・実現したいこと
深層学習です。
###発生している問題・エラーメッセージ
ImportError: No module named 'tensorflow'
###該当のソースコード
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

MNISTの手書き数字データを読み込む

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

セッションを開始

sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, shape=[None, 784]) # 画像データの入力用
y_ = tf.placeholder(tf.float32, shape=[None, 10]) # 正解ラベルの入力用

多層畳み込みニューラルネットワークの構築

重みを初期化

def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)

バイアスを初期化

def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)

畳込みを行う関数

def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

最大プーリングを行う関数

def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')

各レイヤーを定義

畳み込み層1 (5x5パッチで32の特徴を計算)

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1, 28, 28, 1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

プーリング層2

h_pool1 = max_pool_2x2(h_conv1)

畳み込み層2 (5x5パッチで64の特徴を計算)

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)

プーリング層2

h_pool2 = max_pool_2x2(h_conv2)

全結合層

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)

ドロップアウト(過剰適合)を排除する

keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

読み出しレイヤー

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

モデルの学習と評価

cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.initialize_all_variables())
for i in range(6000):
batch = mnist.train.next_batch(100)
if i % 100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x: batch[0], y_: batch[1], keep_prob: 1.0})
print("step {0}, training accuracy {1}".format(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})