TensorFlow 入门教程（七）——卷积神经网络（Convolutional Neural Networks, CNN）代码实现

近几年来，神经网络飞跃发展，其中一个方向是CNN，时计算机处理的一个飞跃提升，学习CNN 过程复杂且艰巨。下面就开始介绍~

从左至右图片描述：
256x256xRGB → 128x128x16 → 64x64x64 → 32x32x256
加粗的数字，即RGB（彩色，三原色），16, 64, 256 为经过逐层神经网络处理过后的图片厚度（Depth）
256x256，128x128，64x64，32x32为经过逐层神经网络处理过后的图片的长、宽（Space）
整个过程的处理为，将输入的图片的长宽不断进行压缩，厚度加厚，最后就变成了一个classifier，运用最后的信息进行分类。

具体各个层如何工作，打算回头再写一篇博客进行介绍，下面介绍CNN的代码实现。

CNN代码实现

1 定义网络参数，权重Weight，偏值biases，卷积层以及池化层

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1) #tf.truncated_normal产生随机变量，标准差0.1
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)#bias一般取正值，设为0.1
    return tf.Variable(initial)

def conv2d(x, W): #定义卷积神经网络层
    # stride [1, x_movement, y_movement, 1]
    # Must have strides[0] = strides[3] = 1
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
    #x为图片的所有信息，W为传入的Weight，strides为步长（每隔多少个像素提取一次信息）

def max_pool_2x2(x): #用pooling解决跨度大带来的信息损失问题
    # stride [1, x_movement, y_movement, 1]
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

2 reshape输入图片

x_image = tf.reshape(xs, [-1, 28, 28, 1])
# print(x_image.shape)  # [n_samples, 28,28,1]

3 定义各个层

## conv1 layer ##
W_conv1 = weight_variable([5,5, 1,32]) # patch 5x5, in size 1(输入图片的高度为1) , out size 32 图片高度32，一个单位，32个高度
b_conv1 = bias_variable([32]) #32个长度
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # tf.nn.relu非线性处理，使其非线性化 output size 28x28x32
h_pool1 = max_pool_2x2(h_conv1)     # output size 14x14x32

## conv2 layer ##
W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64
h_pool2 = max_pool_2x2(h_conv2)   # output size 7x7x64

## fc1 layer ##
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #将pooling2的结果变平
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

## fc2 layer ##
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)  #计算概率

4 定义损失与训练step

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))       # loss
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  #选择较小的损失率

注：以上代码源自网络，只是对其分析解读。