Tensorflow学习笔记(二)：Deep MNIST for Experts

InteractiveSession
tensorflow通常用法是创建图然后用session运算图，InteractiveSession是更灵活更方便的运算类

import tensorflow as tf
sess = tf.InteractiveSession()

Placeholders
在需要接收输入变量时，先要给对应变量用占位符占位定义，接着就能对变量进行定义

x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

在使用变量前，先用Session初始化

sess.run(tf.global_variables_initializer())

损失函数
这里用里交互熵损失函数，然后用sofmax归一化处理，再用reduce_mean取平均损失值

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))

---

Multilayer convolutional network

1,初始化权重

#tf.truncated_normal生成正态随机数
#tf.truncated_normal(shape, mean=0.0, stddev=1.0, 
#dtype=tf.float32, seed=None, name=None)
#生成常数tensor
#tf.constant(value, dtype=None, shape=None, name='Const')

#初始化权重和偏量
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)

2,卷积和池化函数

#实现卷积的函数tf.nn.conv2d(input, filter, strides, padding, #use_cudnn_on_gpu=None, name=None)
#input:需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
#filter:相当于CNN中的卷积核,也就是权重，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
#strides:卷积时在图像每一维的步长，这是一个一维的向量，长度4，通常strides取[1,stride,stride,1],比如[1,1,1,1][1,2,2,1]
#padding:"SAME"or"VALID"
#cudnn:是否使用cudnn加速，默认"true"
#然后函数返回tensor作为feature map输出

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

#最大值池化函数tf.nn.max_pool(value, ksize, strides, padding, name=None)
#value:需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
#ksize:池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
#strides:和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
#padding:和卷积类似，可以取'VALID' 或者'SAME'
#返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')

3,convolutional 网络部分

#[5,5,1,32]代表5*5的kernel size, 1表示输入的图片通道，32表示输出的feature map通道
#偏量是一维向量，y=x*w+b
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32]
x_image = tf.reshape(x, [-1,28,28,1])
#使用relu作为activate function和用maxpooling池化
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

#第二层的输入图片通道要和第一层的feature map通道相同，均为32
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)

#添加全连接层1024个feature map,首先要reshape第二层的feature map成为向量，其实此处全连接层的意义就是用重塑成一个向量feed into ReLU
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)

4,Dropout

#我们都知道dropout对于防止过拟合效果不错,dropout一般用在全连接的部分，卷积部分不会用到dropout,输出层也不会使用dropout
#tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)

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.matmul(h_fc1_drop, W_fc2) + b_fc2

5,训练和评估