tensorflow 简单卷积神经网络搭建（mnist数据集）

目标：搭建一个2层的卷积神经网络

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)#导入mnist数据集

x=tf.placeholder('float', [None,28,28,1])
y=tf.placeholder('float', [None,10])
keep_prob=tf.placeholder('float')

#第一层卷积层
w_conv1=tf.Variable(tf.truncated_normal(shape=[5,5,1,32],stddev=0.1))#第一层卷积层卷积核[5,5,1]，数量32
b_conv1=tf.Variable(tf.constant(.1,shape=[32]))
conv1=tf.nn.conv2d(input=x,filter=w_conv1,strides=[1,1,1,1],padding='SAME')+b_conv1#strides=[1,1,1,1] 四个1分别代表 batchsize x,y,颜色通道数 （个人理解）
                                                                                 #这里只需要记得中间两个1的意思即可，即沿着行，列每次移动的格子数
conv1=tf.nn.relu(conv1)
pool1=tf.nn.max_pool(conv1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize只考虑中间两个参数2，2，表示每次进行池化的矩阵行列大小
                                                                            #strides部分与conv层类似

#第二层卷积层
w_conv2=tf.Variable(tf.truncated_normal(shape=[5,5,32,64],stddev=0.1))#第三个参数要和上一卷积层的卷积核个数一致
b_conv2=tf.Variable(tf.constant(.1,shape=[64]))
conv2=tf.nn.conv2d(input=pool1,filter=w_conv2,strides=[1,1,1,1],padding='SAME')+b_conv2
conv2=tf.nn.relu(conv2)
pool2=tf.nn.max_pool(conv2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

#全连接层，卷积层只进行特征的提取，最后还需要全连接层进行分类
w_fc=tf.Variable(tf.truncated_normal(shape=[7*7*64, 1024],stddev=0.1))#每一次进行max_pooling操作，图像的行列都要除2，最后就变成7*7
                                                                     #最后一层的卷积核有64个所以pool2矩阵维度就是[7,7,64]
b_fc=tf.Variable(tf.constant(.1,shape=[1024]))
pool2_flat=tf.reshape(pool2,[-1,7*7*64])#将pool2矩阵拉伸成向量，这样才能输入全连接层
fc=tf.matmul(pool2_flat,w_fc)+b_fc
fc=tf.nn.relu(fc)
fc=tf.nn.dropout(fc,keep_prob)

#接下来是将全连接层的输出转换到标签的10个维度
W=tf.Variable(tf.truncated_normal(shape=[1024,10],stddev=0.1))
B=tf.Variable(tf.constant(.1,shape=[10]))
y_pred=tf.matmul(fc,W)+B

loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred,labels=y))#指定损失函数
opt=tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss)#指定优化器，去最小化损失函数

correct_prediction=tf.equal(tf.argmax(y_pred,1),tf.argmax(y,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,'float'))
#上两行代码是将输出与标签作比较计算出一个精度

#下面基本是固定模板
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    batch_size=100
    for step in range(1000):#迭代1000次
        batch=mnist.train.next_batch(batch_size)
        batch_input=batch[0].reshape([batch_size,28,28,1])#由于mnist数据集每张图像时784的向量，用卷积神经网络时需还原成图像矩阵，即[28,28,1]
        batch_lable=batch[1]
        _,train_loss,acc=sess.run([opt,loss,accuracy],feed_dict={x:batch_input,y:batch_lable,keep_prob:0.5})
        print('step=',step)
        if (step+1)%10==0:
            print('        acc=',acc)

效果还不错

后续目标：尝试其他数据集，并学会模型的保存，读取。