Question

作者: 年拾柒 编辑: Morvan

• 学习资料:
  • 相关代码
  • 机器学习-简介系列 什么是 CNN

这一次我们会说道 CNN 代码中怎么定义 Convolutional 的层和怎样进行 pooling.

基于上一次卷积神经网络的介绍，我们在代码中实现一个基于 MNIST 数据集的例子

首先我们导入

import tensorflow as tf

采用的数据集依然是 tensorflow 里面的 mnist 数据集

我们需要先导入它

python from tensorflow.examples.tutorials.mnist import input_data

本次课程代码用到的数据集就是来自于它

mnist=input_data.read_data_sets('MNIST_data',one_hot=true)

接着呢，我们定义 Weight 变量，输入 shape ，返回变量的参数。其中我们使用 tf.truncted_normal 产生随机变量来进行初始化:

def weight_variable(shape): 
	inital=tf.truncted_normal(shape,stddev=0.1)
	return tf.Variable(initial)

同样的定义 biase 变量，输入 shape ,返回变量的一些参数。其中我们使用 tf.constant 常量函数来进行初始化:

def bias_variable(shape): 
	initial=tf.constant(0.1,shape=shape) 
	return tf.Variable(initial)

定义卷积， tf.nn.conv2d 函数是 tensoflow 里面的二维的卷积函数， x 是图片的所有参数， W 是此卷积层的权重，然后定义步长 strides=[1,1,1,1] 值， strides[0] 和 strides[3] 的两个 1 是默认值，中间两个 1 代表 padding 时在 x 方向运动一步，y 方向运动一步，padding 采用的方式是 SAME 。

def conv2d(x,W):
	return tf.nn.conv2d(x,W,strides=[1,1,1,1]，padding='SAME') 

接着定义池化 pooling ，为了得到更多的图片信息，padding 时我们选的是一次一步，也就是 strides[1]=strides[2]=1 ，这样得到的图片尺寸没有变化，而我们希望压缩一下图片也就是参数能少一些从而减小系统的复杂度，因此我们采用 pooling 来稀疏化参数，也就是卷积神经网络中所谓的下采样层。 pooling 有两种，一种是最大值池化，一种是平均值池化，本例采用的是最大值池化 tf.max_pool() 。池化的核函数大小为 2x2，因此 ksize=[1,2,2,1] ，步长为 2，因此 strides=[1,2,2,1] :

def max_poo_2x2(x): 
	return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1])

好啦，如果你对本节课内容已经了解，下一次课我们将构建卷积神经网络的架构~

如果你觉得这篇文章或视频对你的学习很有帮助，请你也分享它，让它能再次帮助到更多的需要学习的人。