本人水平有限，难免会有错误，如果发现希望可以及时指出来，利人利己。哈哈哈～
这是博客写的第一篇文章，主要想从tflearn的例子代码一步步理解CNN模型。这里插一句话，tflearn是tensorflow接口的更高层次的封装，与keras的区别时debug时可以看到源码，并且tflearn代码写的非常工整，适合我这样的菜鸟学习。
现在深度学习异常火热，如果不会点深度学习，出门都不好意思和人家打招呼。
这篇博客主要讲解下tflearn例子里的examples/images/convnet_mnist.py，对于每个函数中涉及的参数我会一一的给出中文说明，下一篇主要讲解每个参数在CNN中的含义，以及系统讲解下CNN的构建过程。废话不多说，先看代码。
[python] view plain copy
from __future__ import division, print_function, absolute_import
import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization import local_response_normalization
from tflearn.layers.estimator import regression
#加载大名顶顶的mnist数据集（http://yann.lecun.com/exdb/mnist/）
import tflearn.datasets.mnist as mnist
X, Y, testX, testY = mnist.load_data(one_hot=True)
X = X.reshape([-1, 28, 28, 1])
testX = testX.reshape([-1, 28, 28, 1])
network = input_data(shape=[None, 28, 28, 1], name='input')
# CNN中的卷积操作,下面会有详细解释
network = conv_2d(network, 32, 3, activation='relu', regularizer="L2")
# 最大池化操作
network = max_pool_2d(network, 2)
# 局部响应归一化操作
network = local_response_normalization(network)
network = conv_2d(network, 64, 3, activation='relu', regularizer="L2")
network = max_pool_2d(network, 2)
network = local_response_normalization(network)
# 全连接操作
network = fully_connected(network, 128, activation='tanh')
# dropout操作
network = dropout(network, 0.8)
network = fully_connected(network, 256, activation='tanh')
network = dropout(network, 0.8)
network = fully_connected(network, 10, activation='softmax')
# 回归操作
network = regression(network, optimizer='adam', learning_rate=0.01,
loss='categorical_crossentropy', name='target')
# Training
# DNN操作，构建深度神经网络
model = tflearn.DNN(network, tensorboard_verbose=0)
model.fit({'input': X}, {'target': Y}, n_epoch=20,
validation_set=({'input': testX}, {'target': testY}),
snapshot_step=100, show_metric=True, run_id='convnet_mnist')
关于conv_2d函数，在源码里是可以看到总共有14个参数，分别如下：
1.incoming: 输入的张量，形式是[batch, height, width, in_channels]2.nb_filter: filter的个数3.filter_size: filter的尺寸，是int类型4.strides: 卷积操作的步长，默认是[1,1,1,1]5.padding: padding操作时标志位，"same"或者"valid"，默认是“same”6.activation: 激活函数（ps：这里需要了解的知识很多，会单独讲）7.bias: bool量，如果True，就是使用bias
8.weights_init: 权重的初始化9.bias_init: bias的初始化，默认是0，比如众所周知的线性函数y=wx+b,其中的w就相当于weights，b就是bias10.regularizer: 正则项（这里需要讲解的东西非常多，会单独讲）11.weight_decay: 权重下降的学习率12.trainable: bool量，是否可以被训练13.restore: bool量，训练的模型是否被保存14.name: 卷积层的名称，默认是"Conv2D"
关于max_pool_2d函数，在源码里有5个参数，分别如下：
1.incoming ,类似于conv_2d里的incoming
2.kernel_size：池化时核的大小，相当于conv_2d时的filter的尺寸
3.strides:类似于conv_2d里的strides
4.padding:同上
5.name：同上
看了这么多参数，好像有些迷糊，我先用一张图解释下每个参数的意义。
[图片上传中。。。（1）]
其中的filter就是
[1 0 1
0 1 0
1 0 1],size=3，由于每次移动filter都是一个格子，所以strides=1.
关于最大池化可以看看下面这张图，这里面 strides=1,kernel_size =2(就是每个颜色块的大小),图中示意的最大池化（可以提取出显著信息，比如在进行文本分析时可以提取一句话里的关键字，以及图像处理中显著颜色，纹理等），关于池化这里多说一句，有时需要平均池化，有时需要最小池化。
[图片上传中。。。（2）]
下面说说其中的padding操作，做图像处理的人对于这个操作应该不会陌生，说白了，就是填充。比如你对图像做卷积操作，比如你用的3×3的卷积核，在进行边上操作时，会发现卷积核已经超过原图像，这时需要把原图像进行扩大，扩大出来的就是填充，基本都填充0。
一下关于padding的操作转自：http://www.jianshu.com/p/05c4f1621c7e
1.输入W×W的矩阵，（这里讨论长宽相等情况，不相等的话，推导方法有区别），现在想象一下脑子里有一副WW的图像
2.假定filter的大小是F×F，卷积核
3.步长stride为S
4.输出的宽高为new_w,new_h
上面已经提到padding总共有两种方式,same,valid
当取valid时
new_weight=new_height=(W-F+1)/S(结果向上取整)，
此时输出的矩阵大小比输入时小（这里不讨论F=1时的情况，说到11的卷积核，大家可以看看GoogLeNet模型，其中用到11卷积核，这个用来降维的，tflearn代码里有GoogLeNet的复现）
当取same*时，
new_height = new_weight= W/S(结果向上取整)
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W
根据上式，输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 （结果取整）
下方添加的像素数为
pad_down = pad_needed_height - pad_top
以此类推，在宽度上需要pad的像素数和左右分别添加的像素数为
pad_needed_width = (new_width – 1) × S + F - W
pad_left = pad_needed_width / 2 （结果取整）
pad_right = pad_needed_width – pad_left
下面看图示以及计算过程：[图片上传中。。。（3）]