python-积卷神经网络全面理解-tensorflow实现手写数字识别

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

首先，关于神经网络，其实是一个结合很多知识点的一个算法，关于cnn（卷积神经网络）大家需要了解：

下面给出我之前总结的这两个知识点（基于吴恩达的机器学习）

代价函数：

代价函数
代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。

具体的了解请看我的博客：

https://blog.csdn.net/qq_40594554/article/details/97389489

梯度下降：

梯度下降一般讲解采用单变量梯度下降，但是一般在程序中常用多变量梯度下降

单变量梯度下降大家可以了解最小二乘法，多变量梯度下降也是基于上述知识点演化而来，具体讲解可以看我的博客：

https://blog.csdn.net/qq_40594554/article/details/97391667

在这里，我们以上述知识点为基础，了解深度神经网络里面的卷积神经网络：

大家可以看我这两篇了解神经网络相关知识点

神经网络：https://blog.csdn.net/qq_40594554/article/details/97399935

神经网络入门：https://blog.csdn.net/qq_40594554/article/details/97617154

神经网络的一个大致流程如下：

例如：我们有三个数据：x1,x2,x3，我们将其输入到我们的这个神经网络中，我们称L1为输入层，L2为隐藏层，L3为输出层

我们用通俗的话来描述：即为我们的输入层L1输入3个数据，通过3个神经单元a1，a2，a3，其中x1,x2,x3在a1中占有不同的权值，x1,x2,x3在a2中又占有不同的权值，x1,x2,x3在a3中占有不同的权值

通过代价函数求出最优解，即为最优权值，最后得出a1，a2，a3的值，然后a1，a2，a3再通过L3的这个神经单元，通过权值计算得出输出，这就是一个最简单的神经网络，如果不是很理解，大家可以看我上面的博客。

下面我用tensorflow实现普通的神经网络：即为通过几层隐藏层来进行权值确定。

上述中的相关神经元计算，类似于一个黒夹子，计算过程是不显示的我们最后知道的是结果，在传统神经网络计算中，一般计算的神经元是非常多的，所以传统神经网络无法满足，容易出现计算量大，但是准确率低的可能性，于是出现了卷积神经网络！

上图中，我们需要计算的权值非常多，就需要大量的样本训练，我们模型的构建，需要根据数据的大小来建立，防止过拟合，以及欠拟合。

因此，cnn算法通过感受野和权值共享减少了神经网络需要训练的参数个数，如图（大家可以百度了解这是什么意思）：

其实卷积神经网络很容易理解：

他的最简单相关步骤为：积卷层-池化层-积卷层-池化层-....-全连接层

卷积层：数据通过卷积核，按照卷积核的步长，一步一步扫描，得出一个新的特征图

池化层：通过卷积核扫描后得出的特征图，进行池化，实际上池化层也是加强特征图的一个手段

卷积层（建议大家可以百度卷积核是什么）：

池化层（常用的有最大值池化，平均池化）：

实际上通过上述手段主要是来获取和增强特征

至于全连接层，即为通过池化后的结果，通过激励函数后，排除不需要的特征图，然后输出：

我这里给出一个关于手写数字识别的源码：

import tensorflow as tf#9.50
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist=input_data.read_data_sets("MNNIST_data",one_hot=True)#下载网上的数据集
#print(mnist)
#每个批次的大小,每次放入100张图片放入神经网络训练。
batch_size=100
#计算一共有多少批次
n_bach=mnist.train.num_examples//batch_size#//整除
#初始化权值
def weight_variable(shape):
inital=tf.truncated_normal(shape,stddev=0.1)
return tf.Variable(inital)
#初始化偏置值
def bias_variable(shape):
initial=tf.constant(0.1,shape=shape)
return tf.Variable(initial)
#卷积层
def conv2d(x,W):
return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
#使用了这个库,tf.nn.conv2d
#池化层
def max_pool_2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])#784列
y=tf.placeholder(tf.float32,[None,10])#0-9,10个数字
#改变x的格式转为4d向量[batch，in_height,in_width,in_channels]
x_image=tf.reshape(x,[-1,28,28,1])#初始化第一个卷积层的权值和偏置值
W_conv1=weight_variable([5,5,1,32])#采用5*5的采样窗口，32个卷积核从1个平面抽取特征
b_conv1=bias_variable([32])#每个卷积核一个偏置值
#把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
h_pool1=max_pool_2(h_conv1)#进行max-pooling#初始化第二个卷积层的权值和偏置值
W_conv2=weight_variable([5,5,32,64])#采用5*5的采样窗口，32个卷积核从1个平面抽取特征
b_conv2=bias_variable([64])#每个卷积核一个偏置值
#把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2(h_conv2)#进行max-pooling#初始化第一个全连接的权值
W_fcl=weight_variable([7*7*64,1024])#上一场有7*7*64个神经元，全连接层有1024个神经元
b_fcl=bias_variable([1024])#1024个节点
#把池化层2的输出扁平化维一维
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
#求第一个全连接的输出
h_fcl=tf.nn.relu(tf.matmul(h_pool2_flat,W_fcl)+b_fcl)
#keep_prob表示神经元的输出概率
keep_prob=tf.placeholder(tf.float32)
h_fcl_drop=tf.nn.dropout(h_fcl,keep_prob)#初始化第二个全连接层
W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])
#计算输出
prediction=tf.nn.softmax(tf.matmul(h_fcl_drop,W_fc2)+b_fc2)
#交叉熵代价函数
cross_entropy=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用Adamoptimizer进行优化
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#结果存放在一个布尔列表中
correct_prediction=tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))#argmax返回一维张量中最大值所在位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session()as sess:
sess.run(tf.global_variables_initializer())
#把所有图片训练21次
for epoch in range(21):
# 执行一次，即为把训练集的所有图片循环一次
for batch in range(n_bach):
#获取100张图片，图片数据保存在_xs,标签保存在ys
batch_xs,batchys=mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict={x:batch_xs,y:batchys,keep_prob:0.7})
#传进测试集，数据集的数据
acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
print("第"+str(epoch)+"准确率："+str(acc))