基于Tensorflow的用MNIST手写数字做图像检索

学机器学习或者CNN的大神们入门都必研究的就是MNIST手写数字识别，而MNIST数据集通常在各种平台上（Tensorflow,caffee,theao…）都是做分类的，而本人研究的是基于CNN的图像检索问题，怎么办呢？先从MNIST手写数字开始吧！

一开始我用的Tensorlayer去做检索（不了解tl的可以进入tl中文文档），用tl实现MNIST也是及其简单的，相比于用tf实现来讲代码上简单了些许，源代码戳这里。然而改代码的时候就发现了问题，因为在tl上一切变量都是以Tensor的形式运行的，用eval()转换也试过，总是提示错误。所以提取特征的时候没办法转换成数组，也就没办法计算距离。

本人使用的平台是Tensorflow，语言python，网络是最简单的LENET，源代码在github上能搜到，我是基于LENET把源代码改成图像检索的，检索的思路有两种方式，第一种是基于分类的检索，简单的来讲就是先做分类，然后输入一张测试图像，判别属于某一类，在把测试集中所有属于这一类的保存即可，这个比较简单，会分类的应该都会，本文不做介绍。第二种是基于特征的检索，简单的讲就是全连接层会输出维度为1024的特征（LENET），输入一张测试图片提取其特征，再将库里所有图像的特征都提取出来，进行特征距离的计算，然后根据实际情况设定一个阈值，低于这个阈值的图像保存即可。下面为大家讲解具体如何实现的。

我的运行环境是linux，python2.7，在win10下我也安装了Anaconda，python3.5，运行会提示出错，所以建议大家在python2.7下运行。

源代码的地址我找不到了，因此贴出：

import tensorflow as tf
import numpy as np

#导入input_data用于自动下载和安装MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#创建一个交互式Session
sess = tf.InteractiveSession()

#创建两个占位符，x为输入网络的图像，y_为输入网络的图像类别
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])

#权重初始化函数
def weight_variable(shape):
    #输出服从截尾正态分布的随机值
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

#偏置初始化函数
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

#创建卷积op
#x 是一个4维张量，shape为[batch,height,width,channels]
#卷积核移动步长为1。填充类型为SAME,可以不丢弃任何像素点
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding="SAME")

#创建池化op
#采用最大池化，也就是取窗口中的最大值作为结果
#x 是一个4维张量，shape为[batch,height,width,channels]
#ksize表示pool窗口大小为2x2,也就是高2，宽2
#strides，表示在height和width维度上的步长都为2
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1],
                          strides=[1,2,2,1], padding="SAME")


#第1层，卷积层
#初始化W为[5,5,1,32]的张量，表示卷积核大小为5*5，第一层网络的输入和输出神经元个数分别为1和32
W_conv1 = weight_variable([5,5,1,32])
#初始化b为[32],即输出大小
b_conv1 = bias_variable([32])