深度学习小白——Tensorflow(二)卷积

本文记录用两层卷积网络实现训练MNIST数据集

先介绍一下所用核心函数

1.tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)

input：待卷积的数据，格式要求为一个张量tensor，【batch,in_height,in_width,in_channels】

分别表示 批次数，图像高度，宽度，输入通道数

filter：卷积核，格式要求为【filter_height,filter_width,in_channels,out_channels】

分别表示 卷积核的高度，宽度，输入通道数，输出通道数

strides:一个长为4的list，表示每次卷积以后卷积窗口在input中滑动的距离

padding:有SAME和VALID两个选项，表示是否要保留图像边上那一圈不完全卷积的部分，如果是SAME，则保留

use_cudnn_on_gpu:是否使用cudnn加速，默认是True

2.tf.nn.max_pool(value,ksize,strides,padding,data_format="NHWC",name=None)

value: 一个4维的张量，格式为【batch,height,width,channels】与conv2d中input格式一样

ksize:长为4的list，表示池化窗口的尺寸

strides:池化窗口的滑动值，与conv2d中的一样

padding:与conv2d中用法一样

具 体 实 例

1.读入数据

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#import data
mnist = input_data.read_data_sets("C:\\Users\\1\\AppData\\Local