一、传统神经网络存在的问题
（1）权值太多，计算量太大。
（2）权值太多，需要大量样本进行训练。（容易出现过拟合或者欠拟合）
二、卷积神经网络CNN
CNN通过感受野和权值共享减少了神经网络需要训练的参数的个数。
如下图所示：左图为传统神经网络，
局部感受野：后面的一个神经元只连接到前面的图片的某一个部分。
权值共享：各个局部感受野的大小是相同的且值是一样的。（黑，红，绿，蓝）
1、卷积和卷积核
例如：5*5的图片，用3*3的卷积核进行采样，步长是1.
卷积核可以视为一个滤波器，图片经过卷积核的操作之后得到一个特征图。不同卷积核可以对图片的不同特征进行采样。
不同特征对此后图片的分类具有非常重要的意义。
2、池化
卷积层之后一般都会加上池化层。
池化也有窗口（通常为2*2）和步长。
max-pooling：对4*4的矩阵，2*2的池化窗口一共分为4个区域（无重叠），找每个区域的最大值。
mean-pooling：每个区域的平均值
3、Same padding 和Valid padding:
对卷积的操作：
对池化的操作：
4、CNN的结构
卷积层+池化层
三、卷积神经网络应用于MNIST数据集分类且利用TensorBaord可视化
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #读取mnist数据集 如果没有则会下载 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #每个批次的大小 batch_size = 100 #计算一共有多少批次 n_batch = mnist.train.num_examples // batch_size #初始化权值 def weight_variable(shape): initial = tf.truncated_normal(shape,stddev=0.1) return tf.Variable(initial) #初始化偏置 def bias_variable(shape): initial = tf.constant(0.1,shape=shape) return tf.Variable(initial) # 定义一个函数，用于构建卷积层 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 定义一个函数，用于构建池化层 def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') #定义两个占位符 x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) #改变格式为4D的向量 #[批次，长，宽，通道] x_images = tf.reshape(x,[-1,28,28,1]) #初始化第一个卷积层的权值和偏置 W_conv1 = weight_variable([5,5,1,32])#采样窗口5*5 32个卷积核从1个平面抽取特征 b_conv1 = bias_variable([32])#每一个卷积核一个偏置值 #把x_image和权值向量进行卷积，加上偏置值，应用relu激活函数 h_conv1 = tf.nn.relu(conv2d(x_images,W_conv1)+b_conv1) h_pool1 = max_pool_2x2(h_conv1)#进行max_pooling #初始化第2个卷积层的权值和偏置 W_conv2 = weight_variable([5,5,32,64])#采样窗口5*5 32个卷积核从1个平面抽取特征 b_conv2 = bias_variable([64])#每一个卷积核一个偏置值 #把h_pool1和权值向量进行卷积，加上偏置值，应用relu激活函数 h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2) h_pool2 = max_pool_2x2(h_conv2)#进行max_pooling #28*28的图片第一次卷积后还是28*28 #第一次池化变成了14*14 #第二次卷积后是14*14 #第二次池化变成了7*7 # # #初始化第一个全连接层 W_fc1 = weight_variable([7*7*64,1024])#上一层有7*7*64个神经元，全连接层有1024个神经元 b_fc1 = bias_variable([1024])#1024个节点 #把池化层2输出扁平化为1维 h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64]) #求第一个全连接层的输出 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+ b_fc1) #keep_prob 用来表示神经元的输出概率 keep_prob = tf.placeholder(tf.float32) h_fcl_drop = tf.nn.dropout(h_fc1,keep_prob) #初始化第二个全连接层 W_fc2 = weight_variable([1024,10]) b_fc2 = bias_variable([10])#10个节点 #预测值 prediction = tf.nn.softmax(tf.matmul(h_fcl_drop,W_fc2)+b_fc2) #交叉熵代价函数 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #使用AdamOptimizer法 train_step = tf.train.AdamOptimizer(1e-4).minimize(loss) #初始化变量 init = tf.global_variables_initializer() #预测数据与样本比较，如果相等就返回1 求出标签 #结果存放在布尔型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #进行训练 with tf.Session() as sess: sess.run(init) for i in range(21):#周期 for batch in range(n_batch):#批次 batch_xs, batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0}) print("周期 ："+ str(i) + "准确率：" + str(acc))
