TensorFlow的layer层搭建卷积神经网络（CNN），实现手写体数字识别

   目前正在学习使用TensorFlow，看到TensorFlow官方API上有一个调用layer层来搭建卷积神经网络（CNN）的例子，和我们之前调用的nn层的搭建卷积神经网络稍微有点不同。感觉layer层封装性更强，直接输入参数就可以是实现。

TensorFlow官方API: TensorFlow官方API

参考博客地址：Tensorflow and CNNs 使用tensorflow构建卷积神经网络 ，这篇博客是翻译的官方API。

代码如下：

#-*- coding: UTF-8 -*-

import  numpy as np
import tensorflow as tf
tf.logging.set_verbosity(tf.logging.INFO)


def cnn_model(features,labels,mode):

    #输入层：
    input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

    #第一层卷积：
    conv1 = tf.layers.conv2d(inputs=input_layer,        #输入的张量
                             filters=32,                #卷积核（过滤器）的数量
                             kernel_size=[5, 5],        #卷积核的size
                             padding='same',            #是否加padding，same和valid
                             activation=tf.nn.relu)     #激活函数

    #第一层池化：
    pool1 = tf.layers.max_pooling2d(inputs=conv1,       #输入的张量
                                    pool_size=[2, 2],   #池化层过滤器的size
                                    strides=2)          #池化的步长

    #第二层卷积：
    conv2 = tf.layers.conv2d(inputs=pool1,
                             filters=64,
                             kernel_size=[5,5],
                             padding='same',
                             activation=tf.nn.relu)

    #第二层池化：
    pool2 = tf.layers.max_pooling2d(inputs=conv2,
                                    pool_size=[2,2],
                                    strides=2)

    #扁平化pool2：
    pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])

    #全连接层：
    dense = tf.layers.dense(inputs=pool2_flat,
                            units=1024,               #神经元的个数
                            activation=tf.nn.relu)     #激活函数

    dropout = tf.layers.dropout(inputs=dense,         #为了改进模型，在全连接层使用dropout正则化
                                rate=0.4,             #这里设置为0.4，表示每个神经元都有0.4的概率会在训练的过程中被舍弃.
                                training=mode == tf.estimator.ModeKeys.TRAIN)    #采用布尔值来指定模型当前是否在训练模式下运行，只有在训练模式下，才会进行dropout

    #回归层/输出层
    logist = tf.layers.dense(inputs=dropout,
                             units=10,)
    #tf.argmax(input=logist,axis=1)   #输出预测的值
    #tf.nn.softmax(logist,name="softmax_tensor") #属于每个类别的概率

    #预测：
    prediction = {
        "classes":tf.argmax(input=logist, axis=1), #预测的类别（预测的值，比如值为7）
        "probabilities":tf.nn.softmax(logist,name="softmax_tensor")   #预测的概率，比如值为7的概率
    }
    if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode,predictions=prediction)

    #损失函数：
    onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=10) #对lable进行 one_hot编码
    loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logist)
    #loss = tf.losses.sparse_softmax_cross_entropy(labels=onehot_labels, logits=logist)

    #训练模型
    if mode == tf.estimator.ModeKeys.TRAIN:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
        train_op = optimizer.minimize(loss=loss,
                                      global_step=tf.train.get_global_step())
        return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

    #评估
    eval_metric_ops = {
        "accuarcy:": tf.metrics.accuracy(labels=labels,
                                         predictions=prediction["classes"])
    }
    return tf.estimator.EstimatorSpec(mode=mode,
                                      loss=loss,
                                      eval_metric_ops=eval_metric_ops)


def main():
    #加载数据：
    mnist = tf.contrib.learn.datasets.load_dataset("mnist")
    train_data = mnist.train.images
    train_labels = np.asarray(mnist.train.labels,dtype=np.int32)
    eval_data = mnist.test.images
    eval_labels = np.asarray(mnist.test.labels, dtype=np.int32)

    #评价模型/保存模型
    #model_fn：指定用于训练、评估和预测的模型函数;我们将之前创建的cnn_model作为参数
    #model_dir：指定用于保存模型数据（检查点）的目录（这里，我们指定临时目录G:\PythonCode\DLself\\temp\mnist_convnet_model，
    # 但可以随意更改为您选择的另一个目录）。
    mnist_classifier = tf.estimator.Estimator(model_fn=cnn_model,
                                              model_dir="G:\PythonCode\DLself\\temp\mnist_convnet_model")

    #记录日志：
    tensor_to_log = {"probabilities": "softmax_tensor"}
    logging_hook = tf.train.LoggingTensorHook(
        tensors=tensor_to_log, every_n_iter=50)

    #训练模型：
    train_input_fun = tf.estimator.inputs.numpy_input_fn(
        x={"x":train_data},
        y=train_labels,
        batch_size=100,   #每次训练100张图片
        num_epochs=None,  #模型将一直训练，直到达到指定的步数
        shuffle=True      #每次训练前打乱数据
    )
    mnist_classifier.train(input_fn=train_input_fun,
                           steps=20000,   #训练20000次 
                           hooks=[logging_hook])

    eval_input_fun = tf.estimator.inputs.numpy_input_fn(
        x={"x":eval_data},
        y=eval_labels,
        num_epochs=1,
        shuffle=False
    )
    eval_results = mnist_classifier.evaluate(input_fn=eval_input_fun)
    print(eval_results)


if __name__ == "__main__":
    main()
    tf.app.run()

代码运行结果如下：

因为训练CNN是非常耗时的，因为笔记本性能和时间关系我没有运行完程序。但是根据官方API的说法：测试数据集已经达到了97.3％的准确率。

参考博客中的程序运行结果：