深度学习_Python_TensorFlow之卷积神经网络

本文准备以MNIST数据集为案例，使用Python语言和TensorFlow平台构建卷积神经网络模型。

一、准备工作

• 具备一定的Python语言基础知识，安装任何可用的Python开发工具，安装TensorFlow库，使用pip库安装

pip install tensorflow

然后在解释器中导入tensorflow库（import tensorflow），看是否有错，没有，则安装成功。

• 下载MNIST数据集，了解该数据集的内容。这块可用看看Tensorflow官方文档中文版，链接：http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html

二、卷积神经网络

深层的神经网络与最常见的单一隐藏层神经网络的区别在于深度。深度神经网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征，随着神经网络深度的增加，节点所能识别的特征也越来越复杂。

对于常见的全连接神经网络来说，存在以下几点不足：

• 参数太多，在MNIST数据集中，只有28*28*1，就会有这么多权重，如果说更大的图片，比如200*200*3，就需要120000多个，这完全是浪费；
• 没有利用像素之间位置信息，对于图像识别任务来说，每个像素与周围像素的联系都是比较紧密的；
• 层数限制，准确度不会因为层数的增加而无上限的提高。

而卷积神经网络拥有着卷积层和池化层组合在一起的特征提取器，它权重共享的机制解决了权重爆炸的问题，这种特定结构的神经网络模型受到了大家的青睐。

下图是卷积神经网络的错误率、发展历史和方向：

神经网络（Neural Network）的基本组成包括输入层、隐藏层和输出层。而卷积神经网络的特点在于隐藏层分为卷积层（convolution layer）和池化层（pooling layer，又叫下采样层）

网络中的数据变化如下所示，可以看出，卷积神经网络的数据的宽度和高度会不断减小，但深度会不断提高

卷积神经网络结构分析：

1.卷积层

• 卷积层过滤器（卷积核）：

个数；大小（一般为1*1、3*3、5*5）；步长（一般为1）；零填充（‘SAME’或‘VALID’）

卷积层的输出深度由过滤器个数决定，输出宽度和高度用如下公式进行计算

卷积层计算过程示意图如下：

上图是不填充0的