Tensorflow学习笔记-通过LeNet-5模型初步了解TensorFlow

#LeNet-5学习记录

初次接触TensorFlow，通过学习学长的讲课笔记https://blog.csdn.net/LLyj_/article/details/88933773，以及另一个学长的讲解，记录的一点点学习笔记。

1.LeNet-5

1.INPUT层

2.C１层
#创建第一层卷积
#参数个数5 * 5 * 1 * 32 每个5 * 5 * 1的卷积核能得到一个通道，32个5* 5 * 1进行卷积可以得到32个通道
#一共有32个卷积核又因为padding“same”前后尺寸不变，所以得到特征图大小为28 * 28 * 32
#激活函数增加神经网络模型的非线性

    with tf.variable_scope("C1-conv",reuse=resuse):
    	# tf.get_variable共享变量
    	# [5, 5, 1, 32]卷积核大小为5×5×1，有32个
    	# stddev正太分布的标准差
        conv1_weights = tf.get_variable("weight", [5, 5, 1, 32],
                             initializer=tf.truncated_normal_initializer(stddev=0.1))	
        # tf.constant_initializer初始化为常数，这个非常有用，通常偏置项就是用它初始化的
        conv1_biases = tf.get_variable("bias", [32], initializer=tf.constant_initializer(0.0))
        # strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
        # padding=’SAME’，表示padding后卷积的图与原图尺寸一致，激活函数relu()
        conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding="SAME")
        relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))

S２层
#创建第一个池化层
#2 * 2的最大池化，能使图片尺寸缩小一半
#池化后得到14 * 14 * 32

    # tf.name_scope的主要目的是为了更加方便地管理参数命名。
    # 与 tf.Variable() 结合使用。简化了命名
    with tf.name_scope("S2-max_pool",):
    	# ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，
    	# 因为我们不想在batch和channels上做池化，所以这两个维度设为了1
    	# strides：窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
        pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

C３层
#创建第二个卷积层
#操作同第一个卷积层
#这里初始化了64个偏置项
#第二次卷积卷积核个数为64
#得到特征图为14 * 14 * 64

    with tf.variable_scope("C3-conv",reuse=resuse):
        conv2_weights = tf.get_variable("weight", [5, 5, 32, 64],
                                     initializer=tf.truncated_normal_initializer(stddev=0.1))
        conv2_biases = tf.get_variable("bias", [64], initializer=tf.constant_initializer(0.0))
        conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding="SAME")
        relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))

S４层
#创建第二个池化层
#再次缩小得到7 * 7 * 64
#nodes=7 * 7 * 64 = 3136
#shape[0]是由自动计算得来，常设为-1
#将矩阵变为线性

    with tf.name_scope("S4-max_pool",):
        pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
        # get_shape()函数可以得到这一层维度信息，由于每一层网络的输入输出都是一个batch的矩阵，
        # 所以通过get_shape()函数得到的维度信息会包含这个batch中数据的个数信息
        # shape[1]是长度方向，shape[2]是宽度方向，shape[3]是深度方向
        # shape[0]是一个batch中数据的个数，reshape()函数原型reshape(tensor,shape,name)
        shape = pool2.get_shape().as_list()
        nodes = shape[1] * shape[2] * shape[3]    # nodes=3136
        reshaped = tf.reshape(pool2, [shape[0], nodes])

C５层
#创建第一个全连接层
#这里的权重参数是 nodes * 512 ，即3136 * 512
#矩阵相乘得到B * 512，B指batch中的数据数

    with tf.variable_scope("layer5-full1",reuse=resuse):
        Full_connection1_weights = tf.get_variable("weight", [nodes, 512],
                                      initializer=tf.truncated_normal_initializer(stddev=0.1))
        # if regularizer != None:
        tf.add_to_collection("losses", regularizer(Full_connection1_weights))
        Full_connection1_biases = tf.get_variable("bias", [512],
                                                     initializer=tf.constant_initializer(0.1))     
        if avg_class ==None:
            Full_1 = tf.nn.relu(tf.matmul(reshaped, Full_connection1_weights) + \
                                                                   Full_connection1_biases)
        else:
            Full_1 = tf.nn.relu(tf.matmul(reshaped, avg_class.average(Full_connection1_weights))
                                                   + avg_class.average(Full_connection1_biases))

F６层
#创建第二个全连接层

 with tf.variable_scope("layer6-full2",reuse=resuse):
         Full_connection2_weights = tf.get_variable("weight", [512, 10],
                                       initializer=tf.truncated_normal_initializer(stddev=0.1))                                             
         # if regularizer != None:
         tf.add_to_collection("losses", regularizer(Full_connection2_weights))
         Full_connection2_biases = tf.get_variable("bias", [10],
                                                    initializer=tf.constant_initializer(0.1))
         if avg_class == None:
             result = tf.matmul(Full_1, Full_connection2_weights) + Full_connection2_biases
        else:
            result = tf.matmul(Full_1, avg_class.average(Full_connection2_weights)) + \
                                                  avg_class.average(Full_connection2_biases)

OUTPUT层

2.小结

仅有一点点初步的认识，还需要更多的学习来完善知识体系，对自己第一次学习的记录，体会还不深，有很多概念依旧模糊，记录下来用以日后完善。

3.代码以及代码中的注释来源

https://blog.csdn.net/LLyj_/article/details/88933773