tf学习（七）—— CNN-MNIST实例学习分析

最新推荐文章于 2020-11-28 19:15:04 发布

qiurisiyu2016

最新推荐文章于 2020-11-28 19:15:04 发布

阅读量1.3k

点赞数

分类专栏： tensorflow

本文链接：https://blog.csdn.net/qiurisiyu2016/article/details/80444151

版权

这篇博客通过一个CNN-MNIST实例详细介绍了卷积神经网络的工作原理。首先，解释了卷积层输入为何通常为四维，然后逐步解析模型创建过程，包括卷积、池化、全连接层和softmax层的操作。博主讨论了全连接层的权重获取、dropout防止过拟合以及softmax层在概率分类中的作用。最后，总结指出卷积层负责图像特征提取，而全连接层用于分类，强调了CNN相对于全连接网络的优势。

摘要由CSDN通过智能技术生成

程序

程序为转载的，如下

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("MNIST-data",one_hot=True)

#每个批次的大小
batch_size=100
#计算一共有多少个批次
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，
# shape表示生成张量的维度
return tf.Variable(initial) #tf.Variable()函数用来变量声明

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

#卷积层
def conv2d(x,W):
#x input tensor of shape '[batch,in_height,in_width,in_channles]'
#W filter / kernel tensor of shape [filter_height,filter_width,in_channels,out_channels]
#`strides[0] = strides[3] = 1`. strides[1]代表x方向的步长，strides[2]代表y方向的步长
#padding: A `string` from: `"SAME", "VALID"`
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#2d的意思是二维的卷积操作

#池化层
def max_pool_2x2(x):
#ksize [1,x,y,1] ksize 2*2为窗口大小， strides 步长，分别为横向与纵向
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])#28*28
y = tf.placeholder(tf.float32,[None,10])