技术文章 | 用TensorFlow和TensorBoard从零开始构建ConvNet（CNN）
本文来源于阿里云-云栖社区，原文点击这里。
在本教程中，我将介绍如何使用TensorFlow，从头开始构建卷积神经网络，并使用TensorBoard可视化我们的图形及神经网络性能。如果您不了解完全神经网络的一些基础知识，我强烈建议您首先看另一个教程关于TensorFlow。在这篇文章中，我也把卷积神经网络的每个步骤讲的都很仔细，所以你可以在文章中完全了解每个步骤发生了什么。未来您可以看到每一层的卷积，并使用它们进行自己的网络模型构建，所以我从头开始构建该模型。我只会强调主要的代码，不过你可以在GitHub上下载源码。
1.选择数据集
一开始，我先要选择图像数据集。我决定用牛津大学的宠物数据集。我选择了这个数据集的原因很简单：标签非常简单，训练数据也不错，而且还有一些边框。另一个我认为对于创建第一个模型是非常好的数据集是在Kaggle上发现的辛普森数据集。
2.选择一个模型
第二步，必须决定我们的卷积神经网络的模型。一些非常受欢迎的型号例如：GoogLeNet或VGG16，它们都具有多个卷积，可以用于检测1000种数据集imagenet中的图像。我决定一个更简单的卷积网络：
我们先简要的分解这个模型，它以一个224x224x3的图像开始，它根据前三个通道卷积到32个特征图（Feature Map）。我们将这组32个特征图集合到另外32个特征中。然后将其汇总到112x112x32图像中，我们将卷入64个特征图，然后再次进行二次，最后汇总为56x56x64。然后将这个最终合并的层的每个单元完全连接到一个512个的神经元中，然后基于类的数量最后放入softmax层。整个过程就是如此，如果你对上述有一些疑问，可以进一步与我交流。
3.处理和构建数据集：
首先，我们要加载我们的依赖项，其中包括我所调用的功能函数imFunctions来处理图像数据。
import imFunctions as imf
import tensorflow as tf
import scipy.ndimage
from scipy.misc import imsave
import matplotlib.pyplot as plt
import numpy as np
我们可以使用imFunctions提供的下载的方式提取图像。
imf.downloadImages('annotations.tar.gz', 19173078)
imf.downloadImages('images.tar.gz', 791918971)
imf.maybeExtract('annotations.tar.gz')
imf.maybeExtract('images.tar.gz')
然后我们可以将图像分成不同的文件夹，其中包括训练文件夹和测试文件夹。sortImages函数中的数字表示的是您想从训练数据中分离出测试数据的百分比。
imf.sortImages(0.15)
然后，我们可以使用相应的一个热矢量（one-hot）将我们的数据集构建成一个numpy数组，以表示我们的类。该函数将会表现您要让神经网络做那些事，由于我有限的GPU RAM（3GB），我选择了一个非常小的数据集，仅仅试图区分两种狗：来自萨摩耶的ShibaInu。
train_x, train_y, test_x, test_y, classes, classLabels = imf.buildDataset()
4.如何卷积实现功能
现在我们有一个数据集可以使用，其次就是了解卷积如何工作。在跳入彩色卷积滤波器之前，让我们来看一下灰度图。让我们制作一个应用四个不同特征图的7x7滤镜。TensorFlow的conv2d功能相当简单，它包含四个变量：输入，过滤器，步幅和填充。在TensorFlow官方网站上，他们描述的conv2d功能如下：
展开全文