CNN框架tflearn处理mnist代码

1、过程详解
（1）卷积核大小为33数量为32的卷积处理。*
（2）池化大小为22的池化处理。
（3）卷积核大小为33数量为64的卷积处理。
（4）池化大小为2*2的池化处理以及最后的全连接处理。
（5）最后得到长度为10的一维张量，对应正好是图像识别后的结果，即数字0~9。
2、完成的处理流程图

3、代码

import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization import local_response_normalization
from tflearn.layers.estimator import regression

# Data loading and preprocessing
import tflearn.datasets.mnist as mnist

import tflearn.datasets.oxflower17 as oxflower17


def cnn():
    X, Y, testX, testY = mnist.load_data(one_hot=True)  #tflearn自带mnist数据集
    X = X.reshape([-1, 28, 28, 1])
    testX = testX.reshape([-1, 28, 28, 1])

    # Building convolutional network
    network = input_data(shape=[None, 28, 28, 1], name='input')  #输入张量28*28*1
    network = conv_2d(network, 32, 3, activation='relu', regularizer="L2")  #卷积处理3*3*32
    network = max_pool_2d(network, 2)  #池化处理2*2
    network = local_response_normalization(network)  #标准化张量
    network = conv_2d(network, 64, 3, activation='relu', regularizer="L2")   #卷积处理3*3*64
    network = max_pool_2d(network, 2)    #池化处理2*2
    network = local_response_normalization(network)
    network = fully_connected(network, 128, activation='tanh')  #128个节点的全连接
    network = dropout(network, 0.8)   #dropout层
    network = fully_connected(network, 256, activation='tanh')
    network = dropout(network, 0.8)
    network = fully_connected(network, 10, activation='softmax')  
    network = regression(network, optimizer='adam', learning_rate=0.01,
                         loss='categorical_crossentropy', name='target')

    # Training
    model = tflearn.DNN(network, tensorboard_verbose=0)
    model.fit({'input': X}, {'target': Y}, n_epoch=20,
               validation_set=({'input': testX}, {'target': testY}),
               snapshot_step=100, show_metric=True, run_id='cnn_demo')

4、代码解析
关于conv_2d卷积函数，在源码里是可以看到总共有14个参数，分别如下：
1.incoming: 输入的张量，形式是[batch, height, width, in_channels]
2.nb_filter: filter的个数
3.filter_size: filter的尺寸，是int类型
4.strides: 卷积操作的步长，默认是[1,1,1,1]
5.padding: padding操作时标志位，“same"或者"valid”，默认是“same”
6.activation: 激活函数（ps：这里需要了解的知识很多，会单独讲）
7.bias: bool量，如果True，就是使用bias
8.weights_init: 权重的初始化
9.bias_init: bias的初始化，默认是0，比如众所周知的线性函数y=wx+b,其中的w就相当于weights，b就是bias
10.regularizer: 正则项（这里需要讲解的东西非常多，会单独讲）
11.weight_decay: 权重下降的学习率
12.trainable: bool量，是否可以被训练
13.restore: bool量，训练的模型是否被保存
14.name: 卷积层的名称，默认是"Conv2D"

关于max_pool_2d池化函数，在源码里有5个参数，分别如下：
1.incoming ,类似于conv_2d里的incoming
2.kernel_size：池化时核的大小，相当于conv_2d时的filter的尺寸
3.strides:类似于conv_2d里的strides
4.padding:同上
5.name：同上

卷积过程：提取特征，发掘图片局部关联性质和空间不变性质，卷积处理后的图像大小与卷积核的大小无关，仅与步长有关。

池化过程：图像一个区域上的某个特定特征的平均值（或最大值），执行降采样操作。