tensorflow——MNIST（CNN实现）

接NN模型章节

实现不同点：图像不再是一维向量784一次性训练，而是将图像与kernel(n*n)卷积，更好的保留了图像相邻像素的关联性，直观体现在预测正确率上。

定义卷积层：conv2d

定义池化层：max_pool_2x2

本次实现采用的是LeNet-5实现：总共有7层设计，如下图所示：

conv1 -> pool1 -> conv2 -> pool2 -> fully connection1 -> fully connection2 -> softmax 

实际设置参数详见代码。

图像信息：宽度(width) * 高度(height) * 厚度(channel)

卷积解析：通俗理解图像越变越小，越变越厚

采用5*5大小的卷积核。

VALID参数：图片卷积过后变小 28 * 28 -> (28 - 5 + 1) * (28 - 5 + 1)

SAME参数：图片卷积过程中填充外围像素为0 卷积后生成的图像大小与原图大小一致。

channel: 通道数

池化解析: 通俗理解图像宽度，高度减半。用于降维。

输入图片28*28*1 ->（卷积:valid) 24 * 24 * 20 -> (池化:max) 12 * 12 * 20 -> .......

全连接层 4*4*40 -> 1 * 1000(向量，需要reshape，通俗理解：立体转成平面) -> 全连接层 -> softmax层 1000 -> 10(输出)。

习惯性的在全连接层加入dropout，降低网络的过拟合现象。