猫狗大战——基于TensorFlow的猫狗识别（3）

微信公众号：龙跃十二

我是小玉，一个平平无奇的小天才！

猫狗大战——基于TensorFlow的猫狗识别（1）
猫狗大战——基于TensorFlow的猫狗识别（2）

将数据导入以后，我们经过一系列的处理得到了最终打乱的图像和标签，这里都是以列表的形式输出，接下来，我们需要建立一个模型来对图像数据进行识别，在这里我们选择使用CNN（卷积神经网络）模型。

构造卷积神经网络，网络结构为：（卷积层+池化层） 2 +（全连接层） 2+ Softmax层；每个网络层都使用with tf.variable_scope(“name”)语句，这其实是TensorFlow中的变量作用域机制；在变量作用域内，使用tf.get_variable(, , ): 创建变量。

文件名：model.py

模块的导入：

import tensorflow as tf

• conv1 卷积层 1
• pooling1_lrn 池化层 1
• conv2 卷积层 2
• pooling2_lrn 池化层 2
• local3 全连接层 1
• local4 全连接层 2
• softmax

模型设计：

（1）模型的创建：

def inference(images, batch_size, n_classess):        
    """    
    第一个卷积层    
    16个3x3的卷积核（3通道），padding=’SAME’，表示padding后卷积的图与原图尺寸一致，激活函数relu()
    """    
    # tf.variable_scope() 主要结合 tf.get_variable() 来使用，实现变量共享。下次调用不用重新产生，这样可以保存参数    
    with tf.variable_scope('conv1') as scope:         #初始化权重，[3,3,3,16]        
        weights = tf.get_variable('weights', shape = [3, 3, 3, 16], dtype = tf.float32,                                  
                                  initializer = tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32))         
        #初始化偏置，16个        
        biases = tf.get_variable('biases', shape=[16], dtype = tf.float32,                                 
                                 initializer = tf.constant_initializer(0.1))        
        conv = tf.nn.conv2d(images, weights, strides=[1,1,1,1], padding='SAME')                
        # 将偏置加在所得的值上面        
        pre_activation = tf.nn.bias_add(conv, biases)        
        # 将计算结果通过relu激活函数完成去线性化        
        conv1 = tf.nn.relu(pre_activation, name= scope.name)     
        
    """    
    池化层1
    3x3最大池化，步长strides为2，池化后执行lrn()操作，局部响应归一化，对训练有利。
    """    
    with tf.variable_scope('pooling1_lrn') as scope:        
        # tf.nn.max_pool