学习笔记TF028:实现简单卷积网络

载入MNIST数据集。创建默认Interactive Session。

初始化函数，权重制造随机噪声打破完全对称。截断正态分布噪声，标准差设0.1。ReLU，偏置加小正值(0.1)，避免死亡节点(dead neurons)。

卷积层函数，tf.nn.conv2d，TensorFlow 2 维卷积函数，参数x输入，W卷积参数，卷积核尺寸，channel个数，卷积核数量(卷积层提取特征数量)。Strides卷积模板移动步长，全1代表不遗漏划过图片每一个点。Padding代表边界处理方式，SAME边界加Padding，卷积输出、输入保持同样尺寸。

池化层函数，tf.nn.max_pool，TensorFlow 最大池化函数。2x2最大池化，2x2像素块降为1x1像素。最大池化保留原始像素块灰度值最高像素，保留最显著特征。strides设横竖方向2步长。

定义输入placeholder，x特征，y真实label。卷积神经网络空间结构信息，1D输入向量，转为2D图片结构。尺寸[-1,28,28,1]。-1代表样本数量不固定。1代表颜色通道数量。tf.reshape tensor变形函数。

第一个卷积层，卷积函数初始化，weights、bias。[5,5,1,32]代表卷积核尺寸5x5,1个颜色通道，32个不同卷积核。使用conv2d函数卷积操作，加偏置，使用ReLU激活函数非线性处理。使用最大池化函数max_pool_2x2池化操作卷积输出结果。

第二个卷积层，卷积核64个，提取64种特征。经历两次步长2x2最大池化，边长只有1/4,图片尺寸28x28变7x7.第二个卷积层卷积核数量64,输出tensor尺寸7x7x64。使用tf.reshape函数对第二个卷积层输出tensor变形，转成1D向量，连接一个全连接层，隐含节点1024,使用ReLU激活函数。

使用Dropout层减轻过拟合。Dropout，通过一个placeholder传入keep_prob比率控制。训练时，随机丢弃部分节点数据减轻过拟合，预测时保留全部数据追求最好预测性能。

Dropout层输出连接Softmax层，得到最后概率输出。

定义损失函数cross_entropy。优化器使用Adam，给予较小学习速率1e-4。

定义评测准确率操作。

训练，初始化所有参数，设置训练时Dropout的keep_prob比率0.5.使用大小50的mini-batch，进行20000次训练迭代，样本数量100万。每100次训练，评测准确率，keep_prob设1,实时监测模型性能。

全部训练完成，测试集全面测试，得到整体分类准确率。

99.2%准确率，卷积网络对图像特征提取抽象，卷积核权值共享。

    from tensorflow.examples.tutorials.mnist import input_data
    import tensorflow as tf
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
    sess = tf.InteractiveSession()
    def weight_variable(shape):
      initial = tf.truncated_normal(shape, stddev=0.1)
      return tf.Variable(initial)
    def bias_variable(shape):
      initial = tf.constant(0.1, shape=shape)
      return tf.Variable(initial)
  
    def conv2d(x, W):
      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
    def max_pool_2x2(x):
      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')  
                        
    x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])
    x_image = tf.reshape(x, [-1,28,28,1])
                        
    W_conv1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)
    W_conv2 = weight_variable([5, 5, 32, 64])
    b_conv2 = bias_variable([64])
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
    h_pool2 = max_pool_2x2(h_conv2)
    W_fc1 = weight_variable([7 * 7 * 64, 1024])
    b_fc1 = bias_variable([1024])
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
    keep_prob = tf.placeholder(tf.float32)
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
    W_fc2 = weight_variable([1024, 10])
    b_fc2 = bias_variable([10])
    y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
    cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
    correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.global_variables_initializer().run()
    for i in range(20000):
      batch = mnist.train.next_batch(50)
      if i%100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
        x:batch[0], y_: batch[1], keep_prob: 1.0})
        print("step %d, training accuracy %g"%(i, train_accuracy))
      train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
    print("test accuracy %g"%accuracy.eval(feed_dict={
    x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))