TFboy养成记 CNN

1/先解释下CNN的过程：

首先对一张图片进行卷积，可以有多个卷积核，卷积过后，对每一卷积核对应一个chanel，也就是一张新的图片，图片尺寸可能会变小也可能会不变，然后对这个chanel进行一些pooling操作。

最后pooling输出完成，这个算作一个卷积层。

最后对最后一个pooling结果进行一个简单的MLP的判别其就好了

2.代码分步:

2.1 W and bias:注意不要将一些W设为0，一定要注意，这个会在后面一些地方讲到

 #注意不要将一些W设为0，一定要注意，这个会在后面一些地方讲到
 def getWeights(shape):
     return tf.Variable(tf.truncated_normal(shape,stddev= 0.1))
 def getBias(shape):
     return tf.Variable(tf.constant(0.1))

2.2 卷积层操作：

首先说下tf.nn.conv2d这个函数：

其中官方解释：

这里主要需要了解的是strides的含义：其shape表示的是[batch, in_height, in_width, in_channels]。需要注意的是，看我们在Weights初始化时的shape,我们自己定义的shape格式是[h,w,inchanel,outchanel]   --->chanel也就是我们理解的厚度。

 def conv2d(x,W):
     return tf.nn.conv2d(x,W,strides = [1,1,1,1],padding="SAME")
 #ksize
 def maxpooling(x):
     return tf.nn.max_pool(x,ksize=[1,2,2,1],strides = [1,2,2,1],padding= "SAME")

关于data_format

padding也有两种方式：

其他地方其实也没有什么新操作所有代码在下面：

 # -*- coding: utf-8 -*-
 """
 Spyder Editor

 This is a temporary script file.
 """
 from tensorflow.examples.tutorials.mnist import input_data
 import tensorflow as tf
 import numpy as np
 #注意不要将一些W设为0，一定要注意，这个会在后面一些地方讲到
 def getWeights(shape):
     return tf.Variable(tf.truncated_normal(shape,stddev= 0.1))
 def getBias(shape):
     return tf.Variable(tf.constant(0.1))
 #构造卷积层 strides前一个跟最后后一个为1，其他表示方向，padding一般是有两种方式 ，一个是SAME还有一个是VALID
 #前者卷积后不改变大小后一个卷积后一般会变小
 #strides--->data_format:data_format: An optional string from: "NHWC", "NCHW". Defaults to "NHWC". Specify the data format of the input and output data. With the default format "NHWC", the data is stored in the order of: [batch, height, width, channels]. Alternatively, the format could be "NCHW", the data storage order of: [batch, channels, height, width].
 #
 def conv2d(x,W):
     return tf.nn.conv2d(x,W,strides = [1,1,1,1],padding="SAME")
 #ksize
 def maxpooling(x):
     return tf.nn.max_pool(x,ksize=[1,2,2,1],strides = [1,2,2,1],padding= "SAME")
 def compute_acc(v_xs,v_ys):
     global predict
     y_pre = sess.run(predict,feed_dict = {xs:v_xs,keep_prob:1})
     tmp = tf.equal(tf.arg_max(y_pre,1),tf.arg_max(v_ys,1))
     accuracy = tf.reduce_mean(tf.cast(tmp,tf.float32))
     return sess.run(accuracy,feed_dict = {xs:v_xs,ys:v_ys,keep_prob:1})

 mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
 xs = tf.placeholder(tf.float32,[None,28*28])
 ys = tf.placeholder(tf.float32,[None,10])
 keep_prob = tf.placeholder(tf.float32)

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

 W_c1 = getWeights([5,5,1,32])
 b_c1 = getBias([32])
 h_c1 = tf.nn.relu(conv2d(x_images,W_c1)+b_c1)
 h_p1 = maxpooling(h_c1)

 W_c2 = getWeights([5,5,32,64])
 b_c2 = getBias([64])
 h_c2 = tf.nn.relu(conv2d(h_p1,W_c2)+b_c2)
 h_p2 = maxpooling(h_c2)

 W_fc1 = getWeights([7*7*64,1024])
 b_fc1 = getBias([1024])
 h_flat = tf.reshape(h_p2,[-1,7*7*64])
 h_fc1 = tf.nn.relu(tf.matmul(h_flat,W_fc1)+b_fc1)
 h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

 W_fc2 = getWeights([1024,10])
 b_fc2 = getBias([10])
 predict = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)

 loss = tf.reduce_mean(-tf.reduce_sum(ys*tf.log(predict),
                                      reduction_indices=[1]))
 train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

 sess = tf.Session()
 sess.run(tf.initialize_all_variables())
 for i in range(1000):
     batch_xs, batch_ys = mnist.train.next_batch(100)
     sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: 0.5})
     if i % 50 == 0:
         print (compute_acc(mnist.test.images,mnist.test.labels))

需要注意的是nn.dropout()