机器学习实战：TensorFlow构建简单卷积神经网络

模型架构

输入数据：n*784的数据

第一层卷积：卷积层1（filter=3* 3*1,个数为64个,padding=1,s=1)

第一层池化：池化层1（maxpooling:2*2,s=2)

第二层卷积：卷积层2（filter：3* 3* 64,128个filter,padding=1,s=1）

第二层池化：池化层2（maxpooling:2*2,s=2）

全连接层第一层：全连接层第一层（总结为1024个向量）

全连接层第二层：全连接层第二层（10个向量)

完成代码如下：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('data/',one_hot=True)

n_input = 784
n_out = 10

weights = {
    'wc1': tf.Variable(tf.random_normal([3,3,1,64],stddev=0.1)),#第一层卷积的【高，宽，通道，个数】
    'wc2': tf.Variable(tf.random_normal([3,3,64,128],stddev=0.1)),#第二层卷积的【高，宽，通道，个数】
    'wd1': tf.Variable(tf.random_normal([7*7*128,1024],stddev=0.1)),#第三层全连接层的参数
    'wd2': tf.Variable(tf.random_normal([1024,n_out],stddev=0.1))#输出层参数
}

biases = {
    'bc1':tf.Variable(tf.random_normal([64],stddev=0.1)),#bc1是根据第一层卷积层神经元数决定的
    'bc2':tf.Variable(tf.random_normal([128],stddev=0.1)),#bc2是根据第二层卷积层神经元数决定的
    'bd1':tf.Variable(tf.random_normal([1024],stddev=0.1)),#bd1是根据全连接层神经元数决定的
    'bd2':tf.Variable(tf.random_normal([n_out],stddev=0.1))
}

def conv_basic(_input,_w,_b,_keepratio):# 卷积神经网络的前向传播
    # 对输入进行简单的预处理[n,h,w,c]-bitchsize大小，图像的高度、宽度，深度
    _input_r = tf.reshape(_input,shape=[-1,28,28,1])# -1意思是让TensorFlow自己做一个推断，确定了其他所有维，可推断出第一维
    '''
        tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
        除去name参数用以指定该操作的name，与方法有关的一共五个参数：
        第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，
        具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
        第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，
        具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
        第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4分别是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]四个维度
        第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式
        第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
    '''
    # "VALID" 仅舍弃最后列，或最后行的数据
    # "SAME" 尝试在数据左右均匀的填充0，若填充个数为奇数时，则将多余的填充值放数据右侧.

    _conv1 = tf.nn.conv2d(_input_r,_w['wc1'],strides=[1,1,1,1],padding='SAME')
    _conv1 = tf.nn.relu(tf.nn.bias_add(_conv1,_b['bc1']))

    '''
        tf.nn.max_pool(value, ksize, strides, padding, name=None)
        参数是四个，和卷积很类似：
        第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
        第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
        第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride, stride, 1]
        第四个参数padding：和卷积类似，可以取'VALID'或者'SAME'
        返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

    '''

    '''
    	tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
    	根据给出的keep_prob参数，将输入tensor x按比例输出。
    	使用说明：
    	参数 keep_prob: 表示的是保留的比例，假设为0.8，则20 % 的数据变为0，然后其他的数据乘以1 / keep_prob；keep_prob越大，保留的越多；
    	参数 noise_shape：干扰形状。此字段默认是None，表示第一个元素的操作都是独立，但是也不一定。比例：数据的形状是shape(x) = [k, l, m, n]，而noise_shape = [k, 1, 1,n]，
    	则第1和4列是独立保留或删除，第2和3列是要么全部保留，要么全部删除

    '''

    _pool1 = tf.nn.max_pool(_conv1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    _pool1_dr1 = tf.nn.dropout(_pool1,_keepratio)# _keepratio表示保留的比例

    _conv2 = tf.nn.conv2d(_pool1_dr1,_w['wc2'],strides=[1,1,1,1],padding='SAME')
    _conv2 = tf.nn.relu(tf.nn.bias_add(_conv2,_b['bc2']))

    _pool2 = tf.nn.max_pool(_conv2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    _pool_dr2 = tf.nn.dropout(_pool2,_keepratio)

    # 全连接层——把输出转换为矩阵（向量）的形式
    _densel = tf.reshape(_pool_dr2,[-1,_w['wd1'].get_shape().as_list()[0]])
    _fc = tf.nn.relu(tf.add(tf.matmul(_densel,_w['wd1']),_b['bd1']))
    _fc_dr1 = tf.nn.dropout(_fc,_keepratio)

    _out = tf.add(tf.matmul(_fc_dr1,_w['wd2']),_b['bd2'])
    out = {'input_r': _input_r, 'conv1': _conv1, 'pool1': _pool1, 'pool1_dr1': _pool1_dr1,
           'conv2': _conv2, 'pool2': _pool2, 'pool_dr2': _pool_dr2, 'densel': _densel,
           'fc1': _fc, 'fc_dr1': _fc_dr1, 'out': _out}
    return out

print("CNN READY")

x = tf.placeholder(tf.float32,[None,n_input])
y = tf.placeholder(tf.float32,[None,n_out])
keepratio = tf.placeholder(tf.float32)

#预测结果值
_pred = conv_basic(x,weights,biases,keepratio)['out']

#计算损失
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=_pred,labels=y))

#使用梯度下降方法求解最小值就是得到的优化值
optm = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(cost)

#准确率
_corr = tf.equal(tf.arg_max(_pred,1),tf.argmax(y,1))#equal是判断预测得到的结果和真实y之间结果是否相同
accr = tf.reduce_mean(tf.cast(_corr,tf.float32))#tf.cast函数将布尔值转换成float

#初始化所有
init = tf.initialize_all_variables()

sess = tf.Session()
sess.run(init)

training_epochs = 50
batch_size = 64
display_step = 1

for epoch in range(training_epochs):
    avg_cost = 0
    num_batch = int(mnist.train.num_examples/batch_size)
    for i in range(num_batch):
        batch_xs,batch_ys = mnist.train.next_batch(batch_size)
        feed = {x:batch_xs,y:batch_ys,keepratio:0.7}
        sess.run(optm,feed_dict=feed)
        avg_cost = avg_cost + sess.run(cost,feed_dict={x:batch_xs,y:batch_ys,keepratio:1.})
    avg_cost = avg_cost /num_batch
    if epoch%display_step ==0:
        print("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))
        train_acc = sess.run(accr, feed_dict={x: batch_xs, y: batch_ys, keepratio: 1.})
        print("Training accuracy: %.3f" % (train_acc))
print("FINISHED")