TensorFlow-CNN卷積神經網絡

一、傳統神經網絡存在的問題

（1）權值太多，計算量太大。

（2）權值太多，需要大量樣本進行訓練。（容易出現過擬合或者欠擬合）

二、卷積神經網絡CNN

CNN通過感受野和權值共享減少了神經網絡需要訓練的參數的個數。

如下圖所示：左圖爲傳統神經網絡，

局部感受野：後面的一個神經元只連接到前面的圖片的某一個部分。

權值共享：各個局部感受野的大小是相同的且值是一樣的。（黑，紅，綠，藍）

1、卷積和卷積核

例如：5*5的圖片，用3*3的卷積核進行採樣，步長是1.

卷積核可以視爲一個濾波器，圖片經過卷積核的操作之後得到一個特徵圖。不同卷積核可以對圖片的不同特徵進行採樣。

不同特徵對此後圖片的分類具有非常重要的意義。

2、池化

卷積層之後一般都會加上池化層。

池化也有窗口（通常爲2*2）和步長。

max-pooling：對4*4的矩陣，2*2的池化窗口一共分爲4個區域（無重疊），找每個區域的最大值。

mean-pooling：每個區域的平均值

3、Same padding 和Valid padding:

對卷積的操作：

對池化的操作：

4、CNN的結構

卷積層+池化層

三、卷積神經網絡應用於MNIST數據集分類且利用TensorBaord可視化

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#讀取mnist數據集 如果沒有則會下載
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#每個批次的大小
batch_size = 100
#計算一共有多少批次
n_batch = mnist.train.num_examples // batch_size

#初始化權值
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(initial)
#初始化偏置
def bias_variable(shape):
    initial = tf.constant(0.1,shape=shape)
    return tf.Variable(initial)
# 定義一個函數，用於構建卷積層
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

# 定義一個函數，用於構建池化層
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

#定義兩個佔位符
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#改變格式爲4D的向量
#[批次，長，寬，通道]
x_images = tf.reshape(x,[-1,28,28,1])

#初始化第一個卷積層的權值和偏置
W_conv1 = weight_variable([5,5,1,32])#採樣窗口5*5 32個卷積核從1個平面抽取特徵
b_conv1 = bias_variable([32])#每一個卷積核一個偏置值

#把x_image和權值向量進行卷積，加上偏置值，應用relu激活函數
h_conv1 = tf.nn.relu(conv2d(x_images,W_conv1)+b_conv1)
h_pool1 = max_pool_2x2(h_conv1)#進行max_pooling

#初始化第2個卷積層的權值和偏置
W_conv2 = weight_variable([5,5,32,64])#採樣窗口5*5 32個卷積核從1個平面抽取特徵
b_conv2 = bias_variable([64])#每一個卷積核一個偏置值

#把h_pool1和權值向量進行卷積，加上偏置值，應用relu激活函數
h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2 = max_pool_2x2(h_conv2)#進行max_pooling

#28*28的圖片第一次卷積後還是28*28
#第一次池化變成了14*14
#第二次卷積後是14*14
#第二次池化變成了7*7
#  #

#初始化第一個全連接層
W_fc1 = weight_variable([7*7*64,1024])#上一層有7*7*64個神經元，全連接層有1024個神經元
b_fc1 = bias_variable([1024])#1024個節點

#把池化層2輸出扁平化爲1維
h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
#求第一個全連接層的輸出
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+ b_fc1)

#keep_prob 用來表示神經元的輸出概率
keep_prob = tf.placeholder(tf.float32)
h_fcl_drop = tf.nn.dropout(h_fc1,keep_prob)

#初始化第二個全連接層
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])#10個節點

#預測值
prediction = tf.nn.softmax(tf.matmul(h_fcl_drop,W_fc2)+b_fc2)

#交叉熵代價函數
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用AdamOptimizer法
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

#初始化變量
init = tf.global_variables_initializer()

#預測數據與樣本比較，如果相等就返回1 求出標籤
#結果存放在布爾型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置
#求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

#進行訓練
with tf.Session() as sess:
    sess.run(init)
    for i in range(21):#週期
        for batch in range(n_batch):#批次
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})

        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print("週期 ："+ str(i) + "準確率：" +  str(acc))