建立一个带有全局平均池化层的卷积神经网络

一 实例描述

使用全局平均池化层来代替传统的全连接层，使用了3个卷积层的同卷积操作，滤波器为5*5，每个卷积层后面都会跟个步长为2*2的池化层，滤波器为2*2。2层的卷积加池后是输出为10个通道卷积层，然后对这10个feature map进行全局平均池化，得到10个特征，再对这10个特征进行softmax计算，其结果来代表最终分类。

通过一个带有全局平均池化层的卷积神经网络对CIFAR数据集分类。

二 代码

'''
导入头文件引入数据集
导入被切割后的24*24尺寸图片，每次取128个图片进行运算。
'''
import cifar10_input
import tensorflow as tf
import numpy as np
batch_size = 128
data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
print("begin")
images_train, labels_train = cifar10_input.inputs(eval_data = False,data_dir = data_dir, batch_size = batch_size)
images_test, labels_test = cifar10_input.inputs(eval_data = True, data_dir = data_dir, batch_size = batch_size)
print("begin data")
'''
定义网络结构
对于权重w的定义，统一使用函数truncated_normal生成标准差为0.1的随机数为其初始化。
对于权重b的定义，统一初始化为0.1。
'''
def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)
def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)
'''
卷积操作的函数中，统一进行同卷积操作，即步长为1，padding='SAME'.
'''
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
'''
池化层有两个函数
一个是放在卷积后面，取最大值的方法，步长为2，padding='SAME',即将原尺寸的长和宽各除以2
另外一个是用来放在最后一层，取均值的方法，步长为最终生成的特征尺寸6*6（24*24经过两次池化变成了6*6），filter也为6*6.
倒数第二层没有最大池化的卷积层，因为共有10类，所有卷积输出的是10个通道，并使其全局平均池化为10个节点。
'''
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')  
                        
def avg_pool_6x6(x):
  return tf.nn.avg_pool(x, ksize=[1, 6, 6, 1],
                        strides=[1, 6, 6, 1], padding='SAME')
# tf Graph Input
x = tf.placeholder(tf.float32, [None, 24,24,3]) # cifar data image of shape 24*24*3
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 classes
W_conv1 = weight_variable([5, 5, 3, 64])
b_conv1 = bias_variable([64])
x_image = tf.reshape(x, [-1,24,24,3])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 64, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_conv3 = weight_variable([5, 5, 64, 10])
b_conv3 = bias_variable([10])
h_conv3 = tf.nn.relu(conv2d(h_pool2, W_conv3) + b_conv3)
nt_hpool3=avg_pool_6x6(h_conv3)#10
nt_hpool3_flat = tf.reshape(nt_hpool3, [-1, 10])
y_conv=tf.nn.softmax(nt_hpool3_flat)
cross_entropy = -tf.reduce