简单学习【tensorflow】中实现卷积、池化的api调用

一、概念

（1）卷积（CNN）

　　卷积神经网络（CNN）是深度学习中十分重要的一种算法。卷积是一种数学计算方法，实际上是在卷积核（类似于滤波器，是一个含权重的模板）和输入数据共同覆盖部分上，对应位置相乘再求和。

卷积神经网络实际操作中在输入数据上按照步长进行滑动，进行卷积操作后得到卷积特征（即卷积操作过后的输出值）。

（2）池化

　　池化也称为下采样。简单来说就是将特征矩阵分为若干小的矩阵块，在每个矩阵块中选择出一个数据代替这个区域，从而降低特征矩阵的维度，压缩特征矩阵。池化层往往位于卷积层后面，可以改善结果（不易出现过拟合）。一般池化窗口是不重复的。一般池化分为Max Pooling（最大值池化）和Average Pooling（平均值池化），即在矩阵块中选出该块max值或是该块的均值来代替这个区域。

（3）tensorflow

　　tensor-张量，tensorflow-学习系统，谷歌张量流图。tensorflow可以理解为一个编程系统，里面有各种分工和方法。在tensorflow中编程有其自己的逻辑和方法，“图、tensor、会话、节点”等等都代表着其各自的意义。①图是用于搭建网络的工具，相当于工厂。②图的节点（也就是操作op）是用于计算的，相当于工厂中的生产部门。③会话（session）是用于执行节点的部分，相当于生产部门的部长。④tensor张量是指输入的数据（n维数组），节点的输入或输出，相当于工厂加工的原材料。⑤占位符定义了形状和数据类型，并不填充。用于训练，相当于投放原材料的地方。⑥变量维护状态，不跟随流动。一般指权重、偏置等，相当于员工，通过不断的训练可以达到更好的效果。

　　一般的执行过程是：创建图-打开会话，执行生产操作-训练过程-保存模型-恢复模型、预测

二、实现卷积神经网络操作（CNN）

　　先导入包：

import numpy as np 
import tensorflow as tf

a=np.array([1.0,1,4,2,3,3],dtype=np.float).reshape(1,2,3)#输入数组
a_tensor=tf.constant(a,dtype=tf.float32,shape=(1,2,3))#建立一个tensor 
ops_conv=tf.layers.conv1d(inputs=a_tensor,filters=6,kernel_size=2,strides=1) #建一个一维卷积 #卷积的滤波器在第一次初始化过后就会进行训练，不需要进行输出
ops_init=tf.global_variables_initializer() #初始化一次卷积模板 
ops_pooling=tf.layers.max_pooling1d(inputs=a,pool_size=2,strides=1) #操作是沿着竖轴的 最大池化
ops_poolingt=tf.layers.average_pooling1d(inputs=a,pool_size=2,strides=1)#均值池化

with tf.Session() as sess:     #在对话中运行，并输出结果查看
　　sess.run(ops_init)     
　　print(sess.run(a_tensor))     
　　print(sess.run(ops_conv))     
　　print(sess.run(ops_conv).shape)     
　　print(sess.run(ops_pooling)) 
　　print(sess.run(ops_poolingt))

通过简单的api调用，初步理解了tensorflow的流程和卷积、池化等概念。CNN的学习中必须加强理解“轴”的概念。
这里采用的是tensorflow中的tf.layers.conv1d，还有tf.nn.conv1d可以使用。建议使用tf.layers.conv1d()而不是tf.nn.conv1d()，因为layers层结构比nn接口更高级，使用更方便。
关于两者具体的区别，可以参考：https://blog.csdn.net/luoganttcc/article/details/93034404

官方api文档地址：https://tensorflow.google.cn/versions?hl=zh-cn 
中文：https://www.w3cschool.cn/tensorflow_python/tensorflow_python-p6qw2t3y.html