神经网络学习小记录1——利用tensorflow构建卷积神经网络（CNN）

拼搏现实的明天。 2021-11-23 04:32 389阅读 0赞

### 神经网络学习小记录1——利用tensorflow构建卷积神经网络（CNN） ###

*  学习前言
 *   *  简介
     *  隐含层介绍
     *   *  1、卷积层
         *  2、池化层
         *  3、全连接层
     *  具体实现代码
     *   *  卷积层、池化层与全连接层实现代码
         *  全部代码

# 学习前言 #

学习神经网络已经有一段时间，从普通的BP神经网络到LSTM长短期记忆网络都有一定的了解，但是从未系统的把整个神经网络的结构记录下来，我相信这些小记录可以帮助我更加深刻的理解神经网络。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

## 简介 ##

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。  
其主要结构分为输入层、隐含层、输出层。  
在tensorboard中，其结构如图所示：  
![CNN][]  
对于卷积神经网络而言，其输入层、输出层与平常的卷积神经网络无异。但其隐含层可以分为三个部分，分别是卷积层（对输入数据进行特征提取）、池化层（特征选择和信息过滤）、全连接层（等价于传统前馈神经网络中的隐含层）。

## 隐含层介绍 ##

### 1、卷积层 ###

卷积将输入图像放进一组卷积滤波器，每个滤波器激活图像中的某些特征。  
假设一副黑白图像为5\*5的大小，像这样：  
![示例][20190725222822882.png_pic_center]  
利用如下卷积器进行卷积：  
![示例][20190725222809675.png_pic_center]  
卷积结果为：  
![示例][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]  
卷积过程可以提取特征，卷积神经网络是根据特征来完成分类的。  
在tensorflow中，卷积层的重要函数是：  
tf.nn.conv2d(input, filter, strides, padding, use\_cudnn\_on\_gpu=None, name=None)，其中：  
1、input是输入量，shape是\[batch, height, width, channels\]。；  
2、filter是使用的卷积核；  
3、strides是步长，其格式\[1,step,step,1\]，step指的是在图像卷积的每一维的步长；  
4、padding：string类型的量，只能是"SAME","VALID"其中之一，SAME表示卷积前后图像面积不变。

### 2、池化层 ###

池化层用于在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。  
常见的池化是最大池化，最大池化指的是取出这些被卷积后的数据的最大值，就是取出其最大特征。  
假设其池化窗口为2X2，步长为2。  
原图像为：  
![示例][20190725231414495.png_pic_center]  
池化后为：  
![示例][20190725231428345.png_pic_center]  
在tensorflow中，池化层的重要函数是：  
tf.nn.max\_pool(value, ksize, strides, padding, data\_format, name)  
1、value：池化层的输入，一般池化层接在卷积层后面，shape是\[batch, height, width, channels\]。  
2、ksize：池化窗口的大小，取一个四维向量，一般是\[1, in\_height, in\_width, 1\]。  
3、strides：和卷积类似，窗口在每一个维度上滑动的步长，也是\[1, stride,stride, 1\]。  
4、padding：和卷积类似，可以取’VALID’ 或者’SAME’。

**这是tensorboard中卷积层和池化层的连接结构：**  
![卷积层池化层][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]

### 3、全连接层 ###

全连接层与普通神经网络的结构相同，如图所示：  
![全连接层][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]

## 具体实现代码 ##

### 卷积层、池化层与全连接层实现代码 ###

def conv2d(x,W,step,pad): #用于进行卷积，x为输入值，w为卷积核
        return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)
        
    def max_pool_2X2(x,step,pad):	#用于池化，x为输入值，step为步数
        return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)
    
    def weight_variable(shape):		#用于获得W
        initial = tf.truncated_normal(shape,stddev = 0.1) #从截断的正态分布中输出随机值
        return tf.Variable(initial)
    
    def bias_variable(shape):		#获得bias
        initial = tf.constant(0.1,shape=shape)  #生成普通值
        return tf.Variable(initial)
    
    def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):	
    #用于添加全连接层
        layer_name = 'layer_%s'%n_layer
        with tf.name_scope(layer_name):
            with tf.name_scope("Weights"):
                Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")
                tf.summary.histogram(layer_name+"/weights",Weights)
            with tf.name_scope("biases"):
                biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
                tf.summary.histogram(layer_name+"/biases",biases)
            with tf.name_scope("Wx_plus_b"):
                Wx_plus_b = tf.matmul(inputs,Weights) + biases
                tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
            if activation_function == None :
                outputs = Wx_plus_b 
            else:
                outputs = activation_function(Wx_plus_b)
            print(activation_function)
            outputs = tf.nn.dropout(outputs,keep_prob)
            tf.summary.histogram(layer_name+"/outputs",outputs)
            return outputs
    
    def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):
    #用于生成卷积层和池化层
        layer_name = 'layer_%s'%n_layer
        with tf.name_scope(layer_name):
            with tf.name_scope("Weights"):
                W_conv = weight_variable([5,5,in_z_dim,out_z_dim])
            with tf.name_scope("biases"):
                b_conv = bias_variable([out_z_dim])
            with tf.name_scope("conv"):
            #卷积层
                h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv) 
            with tf.name_scope("pooling"):
            #池化层
                h_pool = max_pool_2X2(h_conv, pool_step, padding)
        return h_pool

### 全部代码 ###

import tensorflow as tf 
    from tensorflow.examples.tutorials.mnist import input_data
    
    mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
    
    def conv2d(x,W,step,pad):
        return tf.nn.conv2d(x,W,strides = [1,step,step,1],padding = pad)
        
    def max_pool_2X2(x,step,pad):
        return tf.nn.max_pool(x,ksize = [1,2,2,1],strides= [1,step,step,1],padding = pad)
    
    def weight_variable(shape):
        initial = tf.truncated_normal(shape,stddev = 0.1) #从截断的正态分布中输出随机值
        return tf.Variable(initial)
    
    def bias_variable(shape):
        initial = tf.constant(0.1,shape=shape)  #生成普通值
        return tf.Variable(initial)
    
    def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):
        layer_name = 'layer_%s'%n_layer
        with tf.name_scope(layer_name):
            with tf.name_scope("Weights"):
                Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev = 0.1),name = "Weights")
                tf.summary.histogram(layer_name+"/weights",Weights)
            with tf.name_scope("biases"):
                biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
                tf.summary.histogram(layer_name+"/biases",biases)
            with tf.name_scope("Wx_plus_b"):
                Wx_plus_b = tf.matmul(inputs,Weights) + biases
                tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
            if activation_function == None :
                outputs = Wx_plus_b 
            else:
                outputs = activation_function(Wx_plus_b)
            print(activation_function)
            outputs = tf.nn.dropout(outputs,keep_prob)
            tf.summary.histogram(layer_name+"/outputs",outputs)
            return outputs
    
    def add_cnn_layer(inputs, in_z_dim, out_z_dim, n_layer, conv_step = 1, pool_step = 2, padding = "SAME"):
        layer_name = 'layer_%s'%n_layer
        with tf.name_scope(layer_name):
            with tf.name_scope("Weights"):
                W_conv = weight_variable([5,5,in_z_dim,out_z_dim])
            with tf.name_scope("biases"):
                b_conv = bias_variable([out_z_dim])
            with tf.name_scope("conv"):
                h_conv = tf.nn.relu(conv2d(inputs, W_conv, conv_step, padding)+b_conv) 
            with tf.name_scope("pooling"):
                h_pool = max_pool_2X2(h_conv, pool_step, padding)
        return h_pool
        
    def compute_accuracy(x_data,y_data):
        global prediction
        y_pre = sess.run(prediction,feed_dict={
        xs:x_data,keep_prob:1})
    
        correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))
    
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    
        result = sess.run(accuracy,feed_dict = {
        xs:batch_xs,ys:batch_ys,keep_prob:1})
        return result
    
    
    
    keep_prob = tf.placeholder(tf.float32)
    xs = tf.placeholder(tf.float32,[None,784])
    ys = tf.placeholder(tf.float32,[None,10])
    
    x_image = tf.reshape(xs,[-1,28,28,1])
    
    h_pool1 = add_cnn_layer(x_image, in_z_dim = 1, out_z_dim = 32, n_layer = "cnn1",)
    h_pool2 = add_cnn_layer(h_pool1, in_z_dim = 32, out_z_dim = 64, n_layer = "cnn2",)
    
    h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
    
    h_fc1_drop = add_layer(h_pool2_flat, 7*7*64, 1024, "layer1", activation_function = tf.nn.relu, keep_prob = keep_prob)
    prediction = add_layer(h_fc1_drop, 1024, 10, "layer2", activation_function = tf.nn.softmax, keep_prob = 1)
    
    with tf.name_scope("loss"):
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')
        tf.summary.scalar("loss",loss)
        
    train = tf.train.AdamOptimizer(1e-4).minimize(loss)
    init = tf.initialize_all_variables()
    
    merged = tf.summary.merge_all()
    
    with tf.Session() as sess:
        sess.run(init)
        write = tf.summary.FileWriter("logs/",sess.graph)
        for i in range(5000):
            batch_xs,batch_ys = mnist.train.next_batch(100)
            sess.run(train,feed_dict = {
        xs:batch_xs,ys:batch_ys,keep_prob:0.5})
            if i % 100 == 0:
                print(compute_accuracy(mnist.test.images,mnist.test.labels))

希望得到朋友们的喜欢。

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: /images/20211122/0c9ffdc584e44452bb09a90fe9237cdf.png
[CNN]: /images/20211122/bebb43a900e34231bb7e6a0c24ec47e4.png
[20190725222822882.png_pic_center]: /images/20211122/abd19a898c714911bffd0c3c17ca5a3b.png
[20190725222809675.png_pic_center]: /images/20211122/ed9d9c0071a8464392b1a4e7fd5d4c13.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]: /images/20211122/d19ae7353da843538e9e05ab9a20d7dd.png
[20190725231414495.png_pic_center]: /images/20211122/93295c3bbfd6426c9e182285e2b152ce.png
[20190725231428345.png_pic_center]: /images/20211122/e39f44ddeb68445c81d7608508ce28ce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211122/2f2ce15670514921aeffa8c899ff70e4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20211122/c980b410819841a7aa285e8270d3186f.png