本文來源於阿里雲-雲棲社區，原文點擊這裏。
在本教程中，我將介紹如何使用TensorFlow，從頭開始構建卷積神經網絡，並使用TensorBoard可視化我們的圖形及神經網絡性能。如果您不瞭解完全神經網絡的一些基礎知識，我強烈建議您首先看另一個教程關於TensorFlow。在這篇文章中，我也把卷積神經網絡的每個步驟講的都很仔細，所以你可以在文章中完全瞭解每個步驟發生了什麼。未來您可以看到每一層的卷積，並使用它們進行自己的網絡模型構建，所以我從頭開始構建該模型。我只會強調主要的代碼，不過你可以在GitHub上下載源碼。
一開始，我先要選擇圖像數據集。我決定用牛津大學的寵物數據集。我選擇了這個數據集的原因很簡單：標籤非常簡單，訓練數據也不錯，而且還有一些邊框。另一個我認爲對於創建第一個模型是非常好的數據集是在Kaggle上發現的辛普森數據集。
第二步，必須決定我們的卷積神經網絡的模型。一些非常受歡迎的型號例如：GoogLeNet或VGG16，它們都具有多個卷積，可以用於檢測1000種數據集imagenet中的圖像。我決定一個更簡單的卷積網絡：
我們先簡要的分解這個模型，它以一個224x224x3的圖像開始，它根據前三個通道卷積到32個特徵圖（Feature Map）。我們將這組32個特徵圖集合到另外32個特徵中。然後將其彙總到112x112x32圖像中，我們將捲入64個特徵圖，然後再次進行二次，最後彙總爲56x56x64。然後將這個最終合併的層的每個單元完全連接到一個512個的神經元中，然後基於類的數量最後放入softmax層。整個過程就是如此，如果你對上述有一些疑問，可以進一步與我交流。
首先，我們要加載我們的依賴項，其中包括我所調用的功能函數imFunctions來處理圖像數據。
import imFunctions as imf
import tensorflow as tf
import scipy.ndimage
from scipy.misc import imsave
import matplotlib.pyplot as plt
import numpy as np
我們可以使用imFunctions提供的下載的方式提取圖像。
imf.downloadImages('annotations.tar.gz', 19173078)
imf.downloadImages('images.tar.gz', 791918971)
imf.maybeExtract('annotations.tar.gz')
imf.maybeExtract('images.tar.gz')
然後我們可以將圖像分成不同的文件夾，其中包括訓練文件夾和測試文件夾。sortImages函數中的數字表示的是您想從訓練數據中分離出測試數據的百分比。
imf.sortImages(0.15)
然後，我們可以使用相應的一個熱矢量（one-hot）將我們的數據集構建成一個numpy數組，以表示我們的類。該函數將會表現您要讓神經網絡做那些事，由於我有限的GPU RAM（3GB），我選擇了一個非常小的數據集，僅僅試圖區分兩種狗：來自薩摩耶的ShibaInu。
train_x, train_y, test_x, test_y, classes, classLabels = imf.buildDataset()
現在我們有一個數據集可以使用，其次就是了解卷積如何工作。在跳入彩色卷積濾波器之前，讓我們來看一下灰度圖。讓我們製作一個應用四個不同特徵圖的7x7濾鏡。TensorFlow的conv2d功能相當簡單，它包含四個變量：輸入，過濾器，步幅和填充。在TensorFlow官方網站上，他們描述的conv2d功能如下：
