使用tensorflow实现CNN

在实现之前我们先看一下CNN的整体框架:

卷积层：指定fiter=3*3 有w ，h ，c（深度）,这里图像的大小为28*28
每一层的深度输入都与上一层的深度一样,全连接层是将卷积和pool之后的特征图，最后形成一个向量的形式。
经过卷积之后的计算公式 h0 = (h1 - fiter(h) + 2 P)/stride +1 我们可以计算得到各个卷积之后的大小:
经过第一个卷积之后的大小为：(28 -3 + 2)/1 + 1 =28
经过第一个pool之后的大小为：14*14
经过第二个卷积之后的大小为: (14-3 +1)/1 +1 =14
经过第二个pool 之后的大小为： 7*7
Fc2 为我们分类的大小。

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import input_data

mnist = input_data.read_data_sets('data/', one_hot=True)
trainimg   = mnist.train.images
trainlabel = mnist.train.labels
testimg    = mnist.test.images
testlabel  = mnist.test.labels
print ("MNIST ready")

np.shape(trainimg)
// (55000, 784)

n_input = 784
n_output = 10
// fiter 的参数:h, w, 之前的深度， fiter的个数
stddev = 0.1


weights  = {
        'wc1': tf.Variable(tf.random_normal([3, 3, 1, 64], stddev=0.1)),   #第一层卷积完之后，tensorflow 的这四个数都是有说法的，指定一个fiter的第一个h有多大，#第二个为fiter的w有多大，第三个是深度，64 张特征图
        'wc2': tf.Variable(tf.random_normal([3, 3, 64, 128], stddev=0.1)),  #这里64，因为之前得到的特征图为64，所以第二次卷积连接的深度是64的
        'wd1': tf.Variable(tf.random_normal([7*7*128, 1024], stddev=0.1)),  #全连接层1
        'wd2': tf.Variable(tf.random_normal([1024, n_output], stddev=0.1))  #全连接层2，分类任务
    }

biases   = {
        'bc1': tf.Variable(tf.random_normal([64], stddev=0.1)),
        'bc2': tf.Variable(tf.random_normal([128], stddev=0.1)),
        'bd1': tf.Variable(tf.random_normal([1024], stddev=0.1)),
        'bd2': tf.Variable(tf.random_normal([n_output], stddev=0.1))
    }

def conv_basic(_input, _w, _b, _keepratio):
        # INPUT  tensorflow的输入是四维的 n,h,w,c n为batch的大小，h高，w为宽，c为深度，通道数为1，因为是灰度图，-1的话让自己去做一个推断
        #因为其它维知道那么就可以算出来了

        _input_r = tf.reshape(_input, shape=[-1, 28, 28, 1])  #我们需要将我们的输入转换为我们tensorflow的格式，格式是怎么样的，我们看我我们的文档
        # CONV LAYER 1  在tensorflow nn.conv2d中  strides 要求定义为四维的格式，
        #第一个1是在btachsize上的一个大小，第二个1代表在h上的大小，第三个1代表在w上的大小，
        #第四个1，代表在深度上。我们一般stride等于2，那么h，w等于2就行了
        _conv1 = tf.nn.conv2d(_input_r, _w['wc1'], strides=[1, 1, 1, 1], padding='SAME')
        #_mean, _var = tf.nn.moments(_conv1, [0, 1, 2])
        #_conv1 = tf.nn.batch_normalization(_conv1, _mean, _var, 0, 1, 0.0001)
        _conv1 = tf.nn.relu(tf.nn.bias_add(_conv1, _b['bc1']))
        #kszie 是窗口[batch, height, width, channels]  
        _pool1 = tf.nn.max_pool(_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
        #_keepratio  保留的比例，后面第二层卷积第二层池化都一样的
        _pool_dr1 = tf.nn.dropout(_pool1, _keepratio)
        # CONV LAYER 2



        _conv2 = tf.nn.conv2d(_pool_dr1, _w['wc2'], strides=[1, 1, 1, 1], padding='SAME')
        #_mean, _var = tf.nn.moments(_conv2, [0, 1, 2])
        #_conv2 = tf.nn.batch_normalization(_conv2, _mean, _var, 0, 1, 0.0001)
        _conv2 = tf.nn.relu(tf.nn.bias_add(_conv2, _b['bc2']))
        _pool2 = tf.nn.max_pool(_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
        _pool_dr2 = tf.nn.dropout(_pool2, _keepratio)
        # VECTORIZE  拿到一个 get_shape() 保存为 list as_list()
        _dense1 = tf.reshape(_pool_dr2, [-1, _w['wd1'].get_shape().as_list()[0]])
        # FULLY CONNECTED LAYER 1
        _fc1 = tf.nn.relu(tf.add(tf.matmul(_dense1, _w['wd1']), _b['bd1']))
        _fc_dr1 = tf.nn.dropout(_fc1, _keepratio)
        # FULLY CONNECTED LAYER 2
        _out = tf.add(tf.matmul(_fc_dr1, _w['wd2']), _b['bd2'])
        # RETURN
        out = { 'input_r': _input_r, 'conv1': _conv1, 'pool1': _pool1, 'pool1_dr1': _pool_dr1,
            'conv2': _conv2, 'pool2': _pool2, 'pool_dr2': _pool_dr2, 'dense1': _dense1,
            'fc1': _fc1, 'fc_dr1': _fc_dr1, 'out': _out
        }
        return out
print ("CNN READY")

a = tf.Variable(tf.random_normal([3, 3, 1, 64], stddev=0.1))
print (a)
a = tf.Print(a, [a], "a: ")
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

print(help(tf.nn.conv2d))  #查看帮助文档 padding的两种选择

#print (help(tf.nn.conv2d))
print (help(tf.nn.max_pool))

x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_output])
keepratio = tf.placeholder(tf.float32)

# FUNCTIONS

_pred = conv_basic(x, weights, biases, keepratio)['out']

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=_pred, labels=y))
optm = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)
_corr = tf.equal(tf.argmax(_pred,1), tf.argmax(y,1)) 
accr = tf.reduce_mean(tf.cast(_corr, tf.float32)) 
init = tf.global_variables_initializer()

# SAVER
print ("GRAPH READY")

sess = tf.Session()
sess.run(init)

training_epochs = 15
batch_size      = 16
display_step    = 1
for epoch in range(training_epochs):
    avg_cost = 0.
    #total_batch = int(mnist.train.num_examples/batch_size)
    total_batch = 10   #这里所有的网络使用进来，运行的很慢，所以只取了十个
    # Loop over all batches
    for i in range(total_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        # Fit training using batch data
        sess.run(optm, feed_dict={x: batch_xs, y: batch_ys, keepratio:0.7})
        # Compute average loss
        avg_cost += sess.run(cost, feed_dict={x: batch_xs, y: batch_ys, keepratio:1.})/total_batch

    # Display logs per epoch step
    if epoch % display_step == 0: 
        print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
        train_acc = sess.run(accr, feed_dict={x: batch_xs, y: batch_ys, keepratio:1.})
        print (" Training accuracy: %.3f" % (train_acc))
        #test_acc = sess.run(accr, feed_dict={x: testimg, y: testlabel, keepratio:1.})
        #print (" Test accuracy: %.3f" % (test_acc))

print ("OPTIMIZATION FINISHED")