Tensorflow——卷积神经网络(CNN)应用于MNIST数据集手写字体识别+Tensorboard展示

一、卷积神经网络详解

参考：https://blog.csdn.net/gaoyu1253401563/article/details/83714865

 

二、Tensorflow实现手写数字识别的卷积神经网络

• 编译环境：jupyter notebook
• CNN设计：输入层-卷积层-池化层-卷积层-池化层-全连接层-全连接层-输出层

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据
mnist = input_data.read_data_sets('MNIST_data', one_hot= True)
#设置批次的大小
batch_size = 100
#计算共有多少个批次
n_batch = mnist.train.num_examples // batch_size

#初始化权值
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1)   #生成一个截断的正态分布
    return tf.Variable(initial)

#初始化偏置
def bias_variable(shape):
    initial = tf.constant(0.1,shape=shape)
    return tf.Variable(initial)

#卷积层
def conv2d(x,W):
    #tf.nn.conv2d()是tensorflow中实现卷积的函数
    #x:需要做卷积的输入图像，四维的[batch,in_height,in_width,in_channels]
    #W:filter参数，CNN中的卷积核,形状为[filter_height,filter_width,in_chnnesl,out_chnnels]
    #strides:卷积时在图像每一维上的步长，这是一个一维的向量，长度为4
    #padding:string类型的量，只能是“SAME”(卷积时会在外围补零)、"VALID",（不会在外围补零）这个值决定了不同的卷积方式
    #结果返回一个Tensor，即我们常说的feature map
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')

#池化层:最大池化
def max_pool_2x2(x):
    return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME")

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#改变x的格式转成为4D的向量[batch,in_height,in_width,in_channels]
x_image = tf.reshape(x,[-1,28,28,1])


#初始化第一个卷积层的权值和偏置
#5*5的采样窗口，32个卷积核从1个平面抽取特征
W_conv1 = weight_variable([5,5,1,32])
#每一个卷积核对应医用偏置值，32是偏置值数量
b_conv1 = bias_variable([32])

#把x_image和权值向量进行卷积，再加上偏置值，然后用于ReLU激活函数
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
#进行max—pooling操作
h_pool1 = max_pool_2x2(h_conv1)

#初始化第二个卷积层的权值和偏重
#5*5的采样窗口，64个卷积核从32个平面上抽取特征
W_conv2 = weight_variable([5,5,32,64])
#每一个卷积核对应一个偏置
b_conv2 = bias_variable([64])

#把h_pool1和权值向量进行卷积，再加上偏置值，然后用于ReLU激活函数
h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)
#进行max—pooling层操作
h_pool2 = max_pool_2x2(h_conv2)

#28*28的图片第一次卷积后还是28*28，第一次池化后变成14*14
#第二次卷积后为14*14，第二次池化后为7*7
#通过以上操作得到64张7*7的平面

#初始化第一个全连接层的权值:上面有7*7*64个神经元，全连接层有1024个神经元，对应1024个偏置
W_fc1 = weight_variable([7*7*64,1024])
b_fc1 = bias_variable([1024])
#把池化层2的输出扁平化为1维
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
#求第一个全连接层的输出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)

#keep_prob用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32)
#加入dropout操作，目的是使得一部分神经元工作，一部分神经元不工作
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

#初始化第二个全连接层
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])

#计算输出层的输出