TensorFlow+实战Google深度学习框架学习笔记（12）------Mnist识别和卷积神经网络LeNet

一、卷积神经网络的简述

卷积神经网络将一个图像变窄变长。原本【长和宽较大，高较小】变成【长和宽较小，高增加】

卷积过程需要用到卷积核【二维的滑动窗口】【过滤器】，每个卷积核由n*m（长*宽）个小格组成，每个小格都有自己的权重值，

长宽变窄：过滤器的长宽决定的

高度变高：过滤器的个数决定的

输入：55000 × 784 = 28*28

输出：55000 × 10

lenet：两层卷积层（卷积层 + 池化层）、两层全连接层

二、代码：

1、数据集：

下载好Mnist数据集加压到文件夹'MNIST_data’中。加载数据

import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
#打印数据集大小
print('训练集大小:',mnist.train.num_examples)
print('验证集大小:',mnist.validation.num_examples)
print('测试集大小:',mnist.test.num_examples)
#打印样本
print(mnist.train.images[0])
print(mnist.train.labels[0])

训练集大小: 55000

验证集大小: 5000

测试集大小: 10000

x：[0.         0.         0.         0.         0.         0.……0.9960785，……0]

y：[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]

2、卷积层：tf.nn.conv2d

（1）过滤器：【维度大小、权重w、偏正b、padding、stride】

设置过滤器的参数：

tf.nn.conv2d（输入矩阵，权重，strides，padding），其中strides的第一个1和最后一个1必须有，中间为输入矩阵尺寸的x和y的大小。padding有两种值，SAME和VALLD。

1. input tensor shape：[batch, in_height, in_width, in_channels]
2. filter tensor shape：[filter_height, filter_width, in_channels, out_channels]

#w,b
filter_w = tf.get_variable('weight',[5,5,3,16],initializer = tf.truncated_normal_initializer(stddev = 0.1))
filter_b = tf.get_variable('biases',[16],initializer = tf.constant_initializer(0.1))

#卷积的前向传播：将【32，32，3】输入通过 16个 【5，5，3】的过滤器得到【28，28，16】。w ：【5，5，3，16】，b：【16】
conv = tf.nn.conv2d(input,filter_w,strides = [1,1,1,1],padding = 'SAME')
# tf.nn.bias_add表示【5，5，3】个数都要加上biases。
bias = tf.nn.bias_add(conv,biases)

#结果通过Relu激活函数
actived_conv = tf.nn.relu(bias)

3、池化层：可加快计算速度也可防止过拟合。tf.nn.max_pool

卷积层之间加一个池化层，可缩小矩阵的尺寸，减少全连接层中的参数。

tf.nn.max_pool(传入当前层的节点矩阵，ksize = 池化层过滤器的尺寸，strides，padding），ksize的第一维和最后一维必须为1

实现了最大池化层的前向传播过程，参数和conv2d相似。

4、全部代码：

#加载模块和数据
import tensorflow as tf
from tensorflow.examplesamples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot = True)

#参数的设置
def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev = 0.1)
    return tf.Variable(initial)

def biase_variable(shape):
    initial = tf.constant(0.1,shape = shape)
    return tf.Variable(initial)
def conv2d(x,w):
    conv = tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
    return conv
def max_pool(x):
    return tf.nn.max_pool(x,ksize = [1,2,2,1],strides = [1,2,2,1],padding = 'SAME')

#训练
def train(mnist):
    x = tf.placeholder(tf.float32,[None,784])
    y = tf.placeholder(tf.float32,[None,10])
    keep_prob =  tf.placeholder(tf.float32)
    x_image = tf.reshape(x,[-1,28,28,1])

    #前向传播
    #layer1
    with tf.variable_scope('layer1'):
        w = weight_variable([5,5,1,32])
        b = biase_variable([32])
        conv1 = tf.nn.bias_add(conv2d(x_image,w),b)
        relu_conv1 = tf.nn.relu(conv1)
        pool1 = max_pool(relu_conv1)
    with tf.variable_scope('layer2'):
        w = weight_variable([5,5,32,64])
        b = biase_variable([64])
        conv2 = tf.nn.bias_add(conv2d(pool1,w),b)
        relu_conv2 = tf.nn.relu(conv2)
        pool2 = max_pool(relu_conv2)
    with tf.variable_scope('func1'):
        w = weight_variable([7*7*64,1024])
        b = biase_variable([1024])
        pool2_reshape = tf.reshape(pool2,[-1,7*7*64])
        func1 = tf.nn.relu(tf.matmul(pool2_reshape,w) + b)
        func1_drop = tf.nn.dropout(func1,keep_prob)
    with tf.variable_scope('func2'):
        w = weight_variable([1024,10])
        b = biase_variable([10])
        prediction = tf.nn.softmax(tf.matmul(func1_drop,w) + b)

    #后向传播
    cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(prediction),
                                                  reduction_indices=[1]))       # loss
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

    #会话训练
    sess = tf.Session()
    if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
        init = tf.initialize_all_variables()
    else:
        init = tf.global_variables_initializer()
    sess.run(init)
    for i in range(1000):
        batch_x, batch_y = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_x, y: batch_y, keep_prob: 0.5})
        if i % 50 == 0:
            correct_prediction = tf.equal(tf.argmax(prediction,1), tf.argmax(y,1))
            accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
            result = sess.run(accuracy, feed_dict={x: mnist.test.images[:1000], y: mnist.test.labels[:1000], keep_prob: 1})
            print(result)

if __name__ == '__main__':
    train(mnist)

训练结果：迭代结束为95%的准确率。