cnn入门

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('MNIST_data', one_hot=True) def compute_accuracy(v_xs, v_ys): global prediction y_pre = sess.run(prediction, feed_dict={xs: v_xs, keep_prob: 1}) correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))#tf.argmax(input,axis) # 根据axis=0（列），1行取值的不同返回每行或者每列最大值的索引。 #tf.equal(x, y, name=None),逐个元素进行判断，如果相等就是True，不相等，就是False accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #tf.cast():张量数据类型转换float32 #tf.reduce_mean():计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值 result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys, keep_prob: 1}) return result def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) #tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。 # 这个函数产生正太分布，均值和标准差自己设定。 return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) def conv2d(x, W): # stride[1,x_movement,y_movement,1] # Must have strides[0]=strides[4]=1 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): # stride[1,x_movement,y_movement,1] return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # define placeholder for inputs to network xs = tf.compat.v1.placeholder(tf.float32, [None, 784]) # 28x28 ys = tf.compat.v1.placeholder(tf.float32, [None, 10]) keep_prob = tf.compat.v1.placeholder(tf.float32) x_image = tf.reshape(xs, [-1, 28, 28, 1]) ##conv1 layer## W_conv1 = weight_variable([5, 5, 1, 32]) # patch 5x5,in_size 1,out_size 32 b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32 h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32 ##conv2 layer## W_conv2 = weight_variable([5, 5, 32, 64]) # patch 5x5,in_size 32,out_size 64 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 h_pool2 = max_pool_2x2(h_conv2) # output size 7x7x64 ##func1 layer## W_fc1 = weight_variable([7 * 7 * 64, 1024]) b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64]) # [n_samples,7,7,64]->>[n_samples,7*7*64] h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) ##func2 layer## W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # the error between prediction and real data cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(prediction),reduction_indices=[1])) #loss train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) sess=tf.Session() #important step sess.run(tf.initialize_all_variables()) for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(1000) sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: 0.5}) if i % 100 == 0: print(compute_accuracy( mnist.test.images[:1000], mnist.test.labels[:1000])) tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

## tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) 参数： input : 输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3**。（也可以用其它值，但是具体含义不是很理解） filter： 卷积核，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_weight 为卷积核宽度，in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，out_channel 是卷积核数量。 strides： 卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1 padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。padding： string类型，值为**“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围**，"VALID"则不考虑 use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true

tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

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.softmax的用法 通过Softmax回归，将logistic的预测二分类的概率的问题推广到了n分类的概率的问题. softmax loss

tf.train.AdamOptimizer()函数是Adam优化算法：是一个寻找全局最优点的优化算法，引入了二次方梯度校正。

__init__( learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam' )

参数含义：

learning_rate: A Tensor or a floating point value. （学习率） beta1: A float value or a constant float tensor. （一阶矩估计的指数衰减率） beta2: A float value or a constant float tensor. （二阶矩估计的指数衰减率） epsilon: A small constant for numerical stability. （一个非常小的数，防止除以零） use_locking: 如果为真，则使用锁进行更新操作。 name: 使用梯度时创建的操作的可选名称，默认为 "Adam"。

mnist.train.next_batch

next_batch函数 如何保证每一次调用next_batch函数还能记住上一次的位置呢？tensorflow源码是将dataset输入写为一个类，self._index_in_epoch就相当于一个类变量，记住上一次的位置。