tensorflow卷积神经网络详解（1）

定义模型，卷积层

def conv2d(x, W, b, strides = 1)
    """
    生成卷积层(ReLU)
    :param x:输入
    :param W:权值
    :param b:偏置
    :param strides:滑动步幅
    :return:
    """
    x = tf.nn.conv2d(x, W, strides = [1, strides, strides, 1], padding='SAME') #卷积层，输入x的权重为W, strides滑动步幅，边界不足时用0填充
    x = tf.nn.bias_add(x,b) #添加偏置b
    return tf.nn.relu(x)    #激活函数为ReLU

注意程序的开头需要导入tensorflow包：

import tensorflow as tf

其中tf.nn.conv2d是tensorflow包中的二维卷积函数，tf.nn.bias_add是对x添加偏置的函数，而tf.nn.relu则是激活函数。由此可见，我们自定义函数conv2d，将加权、偏置和经过激活函数集成到了一起，当构建网络的时候，只需要将它作为模块垒在一起变可以了。

tf.nn.conv2d中的strides = [1, strides, strides, 1]，这是它的固定用法，即前后两个1是固定的，我们能修改的步幅只有中间两个数。

padding = 'SAME'是针对卷积而言的，因为卷积核具有一定的尺寸，那势必会带来卷积时边界的处理问题，'SAME'模式下，图像的边缘会添加‘0’值，添加的多少与卷积核的大小有关系。

当filter的中心(K)与image的边角重合时，开始做卷积运算。注意：这里的same还有一个意思，卷积之后输出的feature map尺寸保持不变(相对于输入图片)。当然，same模式不代表完全输入输出尺寸一样，也跟卷积核的步长有关系。same模式也是最常见的模式，因为这种模式可以在前向传播的过程中让特征图的大小保持不变，调参师不需要精准计算其尺寸变化(因为尺寸根本就没变化)。

 还有一种模式是“valid”，该模式下，当filter全部在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了。

 tensorflow中只有两种padding方法，如果padding设置为SAME，则说明输入图片大小和输出图片大小是一致的，如果是VALID则图片经过滤波器后可能会变小。

假设：

输入：W*W

Filter：F*F

步幅：S

输出： N*N

则在valid模式下

N = W/S

在same模式下：

N = (W-F+1)/S

下面是池化层，池化层也被称之为下采样层，经常接在卷积层后面，其主要作用有：

1、降低数据维度，并保留有效信息；

2、一定程度上避免过拟合。

ef maxpool2d(x, k=2):
    """
    生成最大池化层
    :param x: 输入
    :param k: 窗口及步幅大小
    :return:
    """
    return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 1], padding='SAME')  # 最大池化层，ksize窗口大小，strides滑动步幅