基于tensorflow的猫狗识别（2）——模型建立

@[TOC]文章目录

模型结构

该模型结构如下：

由卷积层——最大池化层——卷积层——最大池化层——两个全连接层组成。

建立模型

为了达到变量共享这个目的，tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，
在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递。

主要是通过tf.get_variable和tf.variable_scope实现的

tf.variable_scope作用域函数，他会在模型中开辟一个属于自己的空间，变量在这里面被管理，
常用于：1）变量共享
2）tensorboard画流程图进行可视化封装变量。
主要用于共享变量，和tf.get_variable()搭配使用，
tf.variable_scope(<scope_name>) 管理传给get_variable()的变量名称的作用域

tf.get_variable(, , )可根据 name 值，返回该变量，
如果该 name 不存在的话，则会进行创建；

代码如下：
定义卷积函数，参数包括图片，批次，类别

import tensorflow as tf
def inference(image,batch_size,n_classess):
    #第一个卷积，每个卷积由一个卷积层和一个最大池化层组成

    with tf.variable_scope('conv1') as scope:

        weights=tf.get_variable('weights',shape=[3,3,3,16],dtype=tf.float32,
                                initializer=tf.truncated_normal_initializer(stddev=0.1,dtype=tf.float32))
        #创建变量,初始化权值,形状是16个长宽通道都为3的大小
        biases=tf.get_variable('biases',shape=[16], dtype=tf.float32,
                             initializer = tf.constant_initializer(0.1))#初始化偏置，16个值是0.1的偏置
       conv=tf.nn.conv2d(image,weights,strides=[1,1,1,1],padding='SAME')#定义卷积层,
       pre_activation = tf.nn.bias_add(conv, biases)
       conv1 = tf.nn.relu(pre_activation, name= scope.name)#第一层卷积结果，用relu函数激活
       pool1=tf.nn.max_pool(conv1,ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME')#池化层

这一段代码的意思是：建立一个名为“conv1”的作用域，在这里面创建两个变量，分别是weight和biases,
之前在写手写数字识别的时候权值初始化用的tf.truncated_normal()，这里用的tf.truncated_normal_initializer()。说一下两者的区别：

tf.truncated_normal