tensorflow入门2 几个函数的总结和手写数字识别

tensorflow中很多函数是对神经网络中用到的一些功能的封装，通过查看这些函数参数的设置，以及返回值可以了解这些函数的使用方法，对神经网络的过程也能更加清楚，写代码的时候也能更好的使用这些函数和模型的参数调节。

tf.nn.softmax_cross_entropy_with_logits(logits,labels,name=None)函数，用来计算交叉熵损失。

参数logits:神经网络最后一层的输出

参数labels:实际的标签，真实值

函数先将logits归一化，然后和真实值做交叉熵，-y'i*log(yi)。其中y'i是真实值中的第i个分量，yi是logits归一化之后第i个分量。预测值越准确，结果越小。

函数返回值是一个向量，求和(tf.reduce_sum)之后是交叉熵，求均值(tf.reduce_mean)后是loss

该函数的使用参考博文点击打开链接

------------------------------------------------------------------------------------------------------

tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)函数，用在卷积神经网络中进行卷积操作。

参数input: 4维张量(batch,in_height,in_width,in_channels)  用于输入图片的batch大小，高，宽，以及输入通道（对于图像而言有可能是rgb三个颜色通道）。

参数filter: 4维张量(heigh,width,in_channels,out_channels)  用于确定卷积核的高，宽，输入通道（与input中的输入通道参数一致），输出通道。

参数strides:长度为4的列表，代表步长。

参数padding:string类型（SAME,VALID）用于填充

结果：返回一个张量和input类型相同，通常作为池化的输入。

参考：点击打开链接，点击打开链接

tf.nn.max_pool(value,ksize,strides,padding,data_format='NHWC',name=None)函数，用来进行池化操作。

参数value:4维张量(batch,heigh,width,channels) 和conv2d中input类似。

参数ksize:长度大于等于4，每个维度的窗格大小。

参数strides:与conv2d类似。

参数padding:同上。

结果：返回池化的输出张量。

参考：点击打开链接，点击打开链接

---------------------------------------------------------------------------

tf.pack(values,name='pack')函数对张量进行打包。将秩为r的tensor打包成秩为r+1的tensor。

用法：

x = tf.constant([1,2,3])
y = tf.constant([2,4,6])
z = tf.constant([7,8,9])
p = tf.pack([x,y,z])
sess = tf.Session()
print sess.run(tf.shape(p))
print sess.run(p)
print sess.run(tf.unpack(p,3))

结果：

[3 3]
[[1 2 3]
 [2 4 6]
 [7 8 9]]
[array([1, 2, 3], dtype=int32), array([2, 4, 6], dtype=int32), array([7, 8, 9], dtype=int32)]

---------------------------------------------------------------------------

tf.sign()

x<0,-1

x=0,0

x>0,1

---------------------------------------------------------------------------

tf.cast(x,dtype)

dtype=tf.int32时用于取整

---------------------------------------------------------------------------

后续遇到一些重要函数会继续更新，有错误希望指出。

另外看了一个tensorflow的多层感知机，手写数字识别

#两个隐藏层的神经网络
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./MNIST_data/",one_hot=True)
#设置参数
learning_rate = 0.001
training_epochs = 30
batch_size = 100
n_hidden_1 = 300
n_hidden_2 = 300
n_input = 784
n_classes = 10

x = tf.placeholder("float",[None,n_input])
y = tf.placeholder("float",[None,n_classes])

weights = {
    'h1':tf.Variable(tf.random_normal([n_input,n_hidden_1])),
    'h2':tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2])),
    'out':tf.Variable(tf.random_normal([n_hidden_2,n_classes]))
}
biases = {
    'b1':tf.Variable(tf.random_normal([n_hidden_1])),
    'b2':tf.Variable(tf.random_normal([n_hidden_2])),
    'out':tf.Variable(tf.random_normal([n_classes]))
}

def multilayer_perceptron(x,weights,biases):
    layer_1 = tf.add(tf.matmul(x,weights['h1']),biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    
    layer_2 = tf.add(tf.matmul(layer_1,weights['h2']),biases['b2'])
    layer_2 = tf.nn.relu(layer_2)
    
    out_layer = tf.matmul(layer_2,weights['out']) + biases['out']#tf.matmul矩阵相乘
    return out_layer

pred = multilayer_perceptron(x,weights,biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))#交叉熵损失函数
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)#

init = tf.initialize_all_variables()
with tf.Session()as sess:
    sess.run(init)
    for epoch in range(training_epochs):#整个数据训练15遍
        avg_cost = 0
        total_batch = int(mnist.train.num_examples/batch_size)#分批训练
        for i in range(total_batch):
            batch_x,batch_y = mnist.train.next_batch(batch_size)
            _,c = sess.run([optimizer,cost],feed_dict={x:batch_x,y:batch_y})
            avg_cost += c #    
        print "Epoch:", '%04d' % (epoch+1), "cost=","{:.9f}".format(avg_cost)
    print "finished!"
    correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
    print accuracy.eval({x: mnist.test.images, y: mnist.test.labels})
    print sess.run(accuracy,feed_dict={x: mnist.test.images, y: mnist.test.labels})#这里sess.run()的功能和eval类似

运行的时候改了参数的一些设定得到不同的结果：
training_epochs  n_hidden_1 n_hidden_2  accuracy

15                          300                 300                 0.9459   

20                          300                 300                 0.9527

20                          500                 500                  0.9562

25                          300                 300                 0.9552

30                          300                 300                 0.9564