RNN和CNN实现 MNIST手写字识别

https://www.cnblogs.com/denny402/p/5853538.html   （参考程序）

https://www.baidu.com/link?url=8-IYA6LiH3bUaQoL3p1eLYnztDaEsb-I2R5mgY3jKuOLjl7FOJbHFqqw-iGlVfcV-pm4TdPX1etrTy1HNu_zFvE9zrHdbH7C6xc7zqOkQjO&wd=&eqid=84a76c71000018f8000000065ba25388

CNN模型准确率只有 94.9%

 

1、ReLU
ReLU：f(x)=max(0,x)  
ReLU的有效性体现在两个方面：克服梯度消失的问题，加快训练速度。即使用简单、速度快

2、随机数的生成
tf.truncated_normal与tf.random_normal的区别
生成的值都服从具有指定平均值和标准偏差的正态分布，但前者如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

3、卷积和池化函数
（1）tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
介绍参数：
input：指卷积需要输入的参数，具有这样的shape[batch, in_height, in_width, in_channels]，分别是[batch张图片, 每张图片高度为in_height, 每张图片宽度为in_width, 图像通道为in_channels]。
filter：指用来做卷积的滤波器，当然滤波器也需要有相应参数，滤波器的shape为[filter_height, filter_width, in_channels, out_channels]，分别对应[滤波器高度, 滤波器宽度, 接受图像的通道数, 卷积后通道数]，其中第三个参数 in_channels需要与input中的第四个参数 in_channels一致，out_channels第一看的话有些不好理解，如rgb输入三通道图，我们的滤波器的out_channels设为1的话，就是三通道对应值相加，最后输出一个卷积核。
strides:代表步长，其值可以直接默认一个数，也可以是一个四维数如[1,2,1,1]，则其意思是水平方向卷积步长为第二个参数2，垂直方向步长为1.其中第一和第四个参数我还不是很明白，请大佬指点，貌似和通道有关系。
padding：代表填充方式，参数只有两种，SAME和VALID，SAME比VALID的填充方式多了一列，比如一个3*3图像用2*2的滤波器进行卷积，当步长设为2的时候，会缺少一列，则进行第二次卷积的时候，VALID发现余下的窗口不足2*2会直接把第三列去掉，SAME则会填充一列，填充值为0。
use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true。大概意思是是否使用gpu加速，还没搞太懂。
name：给返回的tensor命名。给输出feature map起名字。

（2）tf.nn.max_pool(value, ksize, strides, padding, name=None)
value：池化的输入，一般池化层接在卷积层的后面，所以输出通常为feature map。feature map依旧是[batch, in_height, in_width, in_channels]这样的参数。
ksize：池化窗口的大小，参数为四维向量，通常取[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1。ps：估计面tf.nn.conv2d中stries的四个取值也有              相同的意思。
stries：步长，同样是一个四维向量。
padding：填充方式同样只有两种不重复了。

4、Dropout
dropout是指在深度学习网络的训练过程中，对于神经单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。dropout在CNN中有效防止过拟合提高效果
dropout率的选择：经过交叉验证，隐含节点dropout率等于0.5的时候效果最好，原因是0.5的时候dropout随机生成的网络结构最多。
其他防止过拟合的方法：提前终止（当验证集上的效果变差的时候）、L1和L2正则化加权、soft weight sharing 

5、 softmax
logistics回归模型在多分类问题上的推广。