利用tensorflow構建卷積神經網絡（CNN）

　　學習前言

　　學習神經網絡已經有一段時間，從普通的BP神經網絡到LSTM長短期記憶網絡都有一定的了解，但是從未系統的把整個神經網絡的結構記錄下來，我相信這些小記錄可以幫助我更加深刻的理解神經網絡。

　　簡介

　　卷積神經網絡(Convolutional Neural Networks, CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward Neural Networks)，是深度學習(deep learning)的代表算法之一。

　　其主要結構分為輸入層、隱含層、輸出層。

　　在tensorboard中，其結構如圖所示：

　　對于卷積神經網絡而言，其輸入層、輸出層與平常的卷積神經網絡無異。但其隱含層可以分為三個部分，分別是卷積層(對輸入數據進行特征提取)、池化層(特征選擇和信息過濾)、全連接層(等價于傳統前饋神經網絡中的隱含層)。

　　隱含層介紹

　　1、卷積層

　　卷積將輸入圖像放進一組卷積濾波器，每個濾波器激活圖像中的某些特征。

　　假設一副黑白圖像為5*5的大小，像這樣：

　　利用如下卷積器進行卷積：

　　卷積結果為：

　　卷積過程可以提取特征，卷積神經網絡是根據特征來完成分類的。

　　在tensorflow中，卷積層的重要函數是：

　　tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)，其中：

　　1、input是輸入量，shape是[batch, height, width, channels]。;

　　2、filter是使用的卷積核;

　　3、strides是步長，其格式[1,step,step,1]，step指的是在圖像卷積的每一維的步長;

　　4、padding：string類型的量，只能是"SAME","VALID"其中之一，SAME表示卷積前后圖像面積不變。

　　2、池化層

　　池化層用于在卷積層進行特征提取后，輸出的特征圖會被傳遞至池化層進行特征選擇和信息過濾。

　　常見的池化是最大池化，最大池化指的是取出這些被卷積后的數據的最大值，就是取出其最大特征。

　　假設其池化窗口為2X2，步長為2。

　　原圖像為：

　　池化后為：

　　在tensorflow中，池化層的重要函數是：

　　tf.nn.max_pool(value, ksize, strides, padding, data_format, name)

　　1、value：池化層的輸入，一般池化層接在卷積層后面，shape是[batch, height, width, channels]。

　　2、ksize：池化窗口的大小，取一個四維向量，一般是[1, in_height, in_width, 1]。

　　3、strides：和卷積類似，窗口在每一個維度上滑動的步長，也是[1, stride,stride, 1]。

　　4、padding：和卷積類似，可以取’VALID’ 或者’SAME’。

　　這是tensorboard中卷積層和池化層的連接結構：

　　3、全連接層

　　全連接層與普通神經網絡的結構相同，如圖所示：

　　具體實現代碼

　　卷積層、池化層與全連接層實現代碼

　　def conv2d(x,W,step,pad): #用于進行卷積，x為輸入值，w為卷積核

　　return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)

　　def max_pool_2X2(x,step,pad): #用于池化，x為輸入值，step為步數

　　return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)

　　def weight_variable(shape): #用于獲得W

　　initial = tf.truncated_normal(shape,stddev = 0.1) #從截斷的正態分布中輸出隨機值

　　return tf.Variable(initial)

　　def bias_variable(shape): #獲得bias

　　initial = tf.constant(0.1,shape=shape) #生成普通值

　　return tf.Variable(initial)

　　def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

　　#用于添加全連接層

　　layer_name = 'layer_%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")

　　tf.summary.histogram(layer_name+"/weights",Weights)

　　with tf.name_scope("biases"):

　　biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

　　tf.summary.histogram(layer_name+"/biases",biases)

　　with tf.name_scope("Wx_plus_b"):

　　Wx_plus_b = tf.matmul(inputs,Weights) + biases

　　tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

　　if activation_function == None :

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　print(activation_function)

　　outputs = tf.nn.dropout(outputs,keep_prob)

　　tf.summary.histogram(layer_name+"/outputs",outputs)

　　return outputs

　　def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):

　　#用于生成卷積層和池化層

　　layer_name = 'layer_%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　W_conv = weight_variable([5,5,in_z_dim,out_z_dim])

　　with tf.name_scope("biases"):

　　b_conv = bias_variable([out_z_dim])

　　with tf.name_scope("conv"):

　　#卷積層

　　h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv)

　　with tf.name_scope("pooling"):

　　#池化層

　　h_pool = max_pool_2X2(h_conv, pool_step, padding)

　　return h_pool

　　全部代碼

　　import tensorflow as tf

　　from tensorflow.examples.tutorials.mnist import input_data

　　mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")

　　def conv2d(x,W,step,pad):

　　return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)

　　def max_pool_2X2(x,step,pad):

　　return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)

　　def weight_variable(shape):

　　initial = tf.truncated_normal(shape,stddev = 0.1) #從截斷的正態分布中輸出隨機值

　　return tf.Variable(initial)

　　def bias_variable(shape):

　　initial = tf.constant(0.1,shape=shape) #生成普通值

　　return tf.Variable(initial)無錫人流醫院 http://www.0510bhyy.com/

　　def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

　　layer_name = 'layer_%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")

　　tf.summary.histogram(layer_name+"/weights",Weights)

　　with tf.name_scope("biases"):

　　biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

　　tf.summary.histogram(layer_name+"/biases",biases)

　　with tf.name_scope("Wx_plus_b"):

　　Wx_plus_b = tf.matmul(inputs,Weights) + biases

　　tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

　　if activation_function == None :

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　print(activation_function)

　　outputs = tf.nn.dropout(outputs,keep_prob)

　　tf.summary.histogram(layer_name+"/outputs",outputs)

　　return outputs

　　def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):

　　layer_name = 'layer_%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　W_conv = weight_variable([5,5,in_z_dim,out_z_dim])

　　with tf.name_scope("biases"):

　　b_conv = bias_variable([out_z_dim])

　　with tf.name_scope("conv"):

　　h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv)

　　with tf.name_scope("pooling"):

　　h_pool = max_pool_2X2(h_conv, pool_step, padding)

　　return h_pool

　　def compute_accuracy(x_data,y_data):

　　global prediction

　　y_pre = sess.run(prediction,feed_dict={xs:x_data,keep_prob:1})

　　correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))

　　accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

　　result = sess.run(accuracy,feed_dict = {xs:batch_xs,ys:batch_ys,keep_prob:1})

　　return result

　　keep_prob = tf.placeholder(tf.float32)

　　xs = tf.placeholder(tf.float32,[None,784])

　　ys = tf.placeholder(tf.float32,[None,10])

　　x_image = tf.reshape(xs,[-1,28,28,1])

　　h_pool1 = add_cnn_layer(x_image, in_z_dim = 1, out_z_dim = 32, n_layer = "cnn1",)

　　h_pool2 = add_cnn_layer(h_pool1, in_z_dim = 32, out_z_dim = 64, n_layer = "cnn2",)

　　h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])

　　h_fc1_drop = add_layer(h_pool2_flat, 7*7*64, 1024, "layer1", activation_function = tf.nn.relu, keep_prob = keep_prob)

　　prediction = add_layer(h_fc1_drop, 1024, 10, "layer2", activation_function = tf.nn.softmax, keep_prob = 1)

　　with tf.name_scope("loss"):

　　loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')

　　tf.summary.scalar("loss",loss)

　　train = tf.train.AdamOptimizer(1e-4).minimize(loss)

　　init = tf.initialize_all_variables()

　　merged = tf.summary.merge_all()

　　with tf.Session() as sess:

　　sess.run(init)

　　write = tf.summary.FileWriter("logs/",sess.graph)

　　for i in range(5000):

　　batch_xs,batch_ys = mnist.train.next_batch(100)

　　sess.run(train,feed_dict = {xs:batch_xs,ys:batch_ys,keep_prob:0.5})

　　if i % 100 == 0:

　　print(compute_accuracy(mnist.test.images,mnist.test.labels))