tensorflow_CNN 卷积神经网络_简单教程

本文建立一个卷积神经网络---典型的深度学习样例。例如，在这个数字识别的例子中，它就达到了高于99%的精度。通过示例代码来讲解神经网络中最重要的两个概念：卷积和池化，关于它们参数的细节超出了本书的讨论范围。但是，读者可以运行本章中的所有代码，也希望读者能从中理解卷积网络背后的整体认识。

一、卷积神经网络

      卷积神经网络（CNN）是深度学习一个特殊示例，它在计算机视觉有非常重要的影响。

     CNN的一个典型特性就是它们的输入基本全是图片，这可以有很高效的实现并减少需要的参数。让我们回顾一下MNIST数字识别样例：读入MNIST数据并定义placeholders后：

我们可以对输入照片数据的形状（shape）进行重建，代码如下： x_image = tf.reshape(x,[-1,28,28,1])

      在这里，我们把输入的shape转换成了 4维的张量（tensor），第2、3维度对应的是照片的长度和宽度，最后一个维度是颜色通道数，本例子中是黑白照片，所以是1（彩色照片是RGB，所以是3）.我们可把神经网络的输入看作是2维空间中大小为28*28的神经元：

      定义卷积神经网络有两个基本概念：filters与characteristic maps。这些概念可被表述为一组特殊的神经元，稍后我们就会看到。最后要的是我们先简明介绍这两个概念对CNN的重要性。

      卷积层的主要目的就是检测图像中的特征或可见特性，如边缘，线，块，颜色等等。这些是由隐藏层负责的，它们会与输入层相连接。在CNN中，输入数据并不是与隐藏层中的神经元全连接；而只是很小的包含图片像素值的局部空间相连。如下图所示：

    更精确地来说，在本例子中，隐藏层的每一个神经元是与一个输入层中5*5小区域（25个神经元）相连接。我们可看成一个5*5大小的窗口在包含整个照片的输入层（28*28）上滑行。窗口滑过整层的所有神经元。对于每一位置的窗口，隐藏层中都有一个神经元来处理这部分信息。