TensorFlow实现简单卷积神经网络

本文使用的数据集是MNIST，主要使用两个卷积层加一个全连接层构建的卷积神经网络。

先载入MNIST数据集（手写数字识别集），并创建默认的Interactive Session（在没有指定回话对象的情况下运行变量）

from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) sess = tf.InteractiveSession(）

在定义一个初始化函数，因为卷积神经网络有很多权重和偏置需要创建。

def weight_variable(shape):  initial = tf.truncated_normal(shape, stddev=0.1)#给权重制造一些随机的噪声来打破完全对称，  return tf.Variable(initial) #使用relu，给偏置增加一些小正值0.1，用来避免死亡节点 def bias_variable(shape):  initial = tf.constant(0.1, shape=shape)  return tf.Variable(initial) 

卷积移动步长都是1代表会不遗漏的划过图片的每一个点，padding代表边界处理方式，same表示给边界加上padding让卷积的输出和输入保持同样的尺寸。

def conv2d(x,W):#2维卷积函数，x输入，w是卷积的参数，strides代表卷积模板移动步长  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') 

在正式设计卷积神经网络结构前，先定义输入的placeholder(类似于c++的cin，要求用户运行时输入)。因为卷积神经网络会利用到空间结构信息，因此需要将一维的输入向量转换为二维的图片结构。同时因为只有一个颜色通道，所以最后尺寸为【-1, 28，28， 1]，-1代表样本数量不固定，1代表颜色通道的数量。

这里的tf.reshape是tensor变形函数。

x = tf.placeholder(tf.float32, [None, 784])# x 时特征 y_ = tf.placeholder(tf.float32, [None, 10])# y_时真实的label x_image = tf.reshape(x, [-1, 28, 28,1]) 

接下来定义第一个卷积层。

w_conv1 = weight_variable([5, 5, 1, 32])#代表卷积核尺寸为5X5，1个颜色通道，32个不同的卷积核，使用conv2d函数进行卷积操作， b_conv1 = bias_variable([32]) h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) 

定义第二个卷积层，与第一个卷积层一样，只不过卷积核的数量变成了64，即这层卷积会提取64种特征

w_conv2 = weight_variable([5, 5, 32, 64])#这层提取64种特征 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) 

经过两次步长为2x2的最大池化，此时图片尺寸变成了7x7，在使用tf.reshape函数，对第二个卷积层的输出tensor进行变形，将其从二维转为一维向量，在连接一个全连接层（隐含节点为1024），使用relu激活函数。