记录MNIST采用卷积方式实现与理解

从时间上来说，这篇文章写的完了，因为这个实验早就做完了；但从能力上来说，这篇文章出现的早了，因为很多地方我都还没有理解。如果不现在写，不知道什么时候会有时间是其一，另外一个原因是怕自己过段时间忘记。

 #!/usr/bin/env python
 # -*- coding: utf-8 -*-

 # @Author  : mario
 # @File    : mnist_faltung.py
 # @Project : base
 # @Time    : 2018-12-19 14:11:38
 # @Desc    : File is ...

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

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

 def init_weight_variable(shape):
     initial = tf.truncated_normal(shape, stddev=0.1)
     return tf.Variable(initial)

 def init_bias_variable(shape):
     initial = tf.constant(0.1, shape=shape)
     return tf.Variable(initial)

 def conv2d(x, W):
     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding="SAME")

 def max_pool_2x2(x):
     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

 x = tf.placeholder(tf.float32, [None, 784])
 y_ = tf.placeholder(tf.float32, [None, 10])

 W_conv_1 = init_weight_variable([5, 5, 1, 32])
 b_conv_1 = init_bias_variable([32])

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

 h_conv_1 = tf.nn.relu(conv2d(x_image, W_conv_1) + b_conv_1)
 h_pool_1 = max_pool_2x2(h_conv_1)

 W_conv_2 = init_weight_variable([5, 5, 32, 64])
 b_conv_2 = init_bias_variable([64])

 h_conv_2 = tf.nn.relu(conv2d(h_pool_1, W_conv_2) + b_conv_2)
 h_pool_2 = max_pool_2x2(h_conv_2)

 W_fc_1 = init_weight_variable([7 * 7 * 64, 1024])
 b_fc_1 = init_bias_variable([1024])

 h_pool_flat = tf.reshape(h_pool_2, [-1, 7 * 7 * 64])
 h_fc_1 = tf.nn.relu(tf.matmul(h_pool_flat, W_fc_1) + b_fc_1)

 keep_prob = tf.placeholder(tf.float32)
 h_fc1_drop = tf.nn.dropout(h_fc_1, keep_prob)

 W_fc_2 = init_weight_variable([1024, 10])
 b_fc_2 = init_bias_variable([10])

 y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc_2) + b_fc_2)

 cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
 train_step = tf.train.AdagradOptimizer(1e-4).minimize(cross_entropy)

 sess = tf.InteractiveSession()
 init = tf.global_variables_initializer()
 sess.run(init)

 for _ in range(20000):
     batch = mnist.train.next_batch(50)
     train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

 correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

 print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

python版本：Python 3.6.5 (v3.6.5:f59c0932b4, Mar 28 2018, 05:52:31) ；tensor flow版本：1.12.0

10、11行：导入必要模块

13行：加载本地的数据

16～18行：定义初始化权重变量函数

21～23行：定义初始化偏置变量函数

26～27行：定义一个步长为1，边距为0的2x2的卷积函数

30～31行：定义一个2x2的池化函数

34、35行：定义占位符x和y_，其中x是为了接收原始数据，y_是为了接受原始数据标签

37、38行：初始化第一层卷积权重和偏置量

40行：重塑原始数据结构，我们要把[n,784]这样的数据结构转换成卷积需要的[n,28,28,1]，这里的n是指数据量，原始数据是将28x28像素的图片展开为784，卷积相当于我们先将数据还原为28x28，最后的1是指通道数

42、43行：进行卷积操作，并将卷积结果池化

45～49行：进行第二次卷积操作，同样也是将卷积结果池化

51～61行：使用ReLU，其中57行和58行是为了防止过拟合

63行：使用softmax算法确定其分类

65行：计算交叉熵

66行：利用交叉熵，调用AdagradOptimizer算法，训练模型

68～70行：启用session，初始化变量

72～74行：每次50个训练20000次

76～79行：评估模型识别率

也是遇到了很多的问题，但几乎都是因为不理解代码造成的，虽然现在代码是改对了，但是不理解的地方还是有很多，而且很多概念也是不理解，并且不知道实际上是做了什么操作，比如说卷积、池化等，倒是做了什么？感觉这个还是需要后续了解的。“路漫漫其修远兮，吾将上下而求索”用在这里再合适不过了。