使用tensorflow构建CNN用到的函数详解

tf.truncated_normal(shape, stddev=0.1)
tf.constant(0.1, shape=shape)
tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。

initial = tf.truncated_normal ( shape, stddev=0.1 )  # 正态分布，标准差为 0.1，默认最大为 1，最小为 -1，均值为 0

initial = tf.constant ( 0.1, shape=shape )   # 创建一个结构为 shape 矩阵也可以说是数组 shape 声明其行列，初始化所有值为 0.1  

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

• input: A Tensor. type必须是以下几种类型之一: half, float32, float64.
• filter: A Tensor. type和input必须相同
• strides: A list of ints.一维，长度4， 在input上切片采样时，每个方向上的滑窗步长，必须和format指定的维度同阶
• padding: A string from: “SAME”, “VALID”. padding 算法的类型
• use_cudnn_on_gpu: An optional bool. Defaults to True.
• data_format: An optional string from: “NHWC”, “NCHW”， 默认为”NHWC”。 
  指定输入输出数据格式，默认格式为”NHWC”, 数据按这样的顺序存储： 
  [batch, in_height, in_width, in_channels] 
  也可以用这种方式：”NCHW”, 数据按这样的顺序存储： 
  [batch, in_channels, in_height, in_width]
• name: 操作名，可选.

tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 卷积遍历各方向步数为 1，SAME：边缘外自动补 0，遍历相乘 

tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

# 池化卷积结果（conv2d）池化层采用kernel大小为 2*2，步数也为2，周围补0，取最大值。数据量缩小了4倍 

tf.nn.max_pool(value, ksize, strides, padding, name=None)

参数是四个，和卷积很类似：

第一个参数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

第二个参数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

第三个参数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]

第四个参数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

x_image 又把 xs reshape 成了 28*28*1 的形状，因为是灰色图片，所以通道是 1. 作为训练时的 input，-1 代表图片数量不定。

x_image = tf.reshape(x, [-1,28,28,1])