我们在计算机中所看到的图像，在计算机中表示为一个个矩阵，一串串数字。在神经网络中，我们需要将这些数据在输入端reshape成一个1行n列的数组。通常我们使用的图片不会太小，否则特征点很容易丢失，可即便是一张28*28的图像（mnist手写数据集），在输入层也有784个神经元，更何况一个数据集少则几百张图片，多则上万张图片，这对于简单的神经网络来说压力很大，而且计算量复杂，运行速度慢，效率低下。而卷积神经网络能够有效的提取图像中的主要特征信息，剔除无用的信息，减少计算量，还能够共享权值，这样一来，训练效率提高了，速度提升了，准确率也提高了。
CNN可以应用于图像分类，检测，识别领域，其训练准确度高，能扩展到n层神经网络，所以现在做在计算机视觉领域比较火。CNN由输入和输出层以及多个隐藏层组成，隐藏层可分为卷积层，池化层、RELU层和全连通层。
CNN通过一系列的卷积池化，最终把特征信息慢慢浓缩出来，利用最后一层特征可以做各种任务：比如分类、回归等。一般的，通过3次卷积就可以达到不错的效果：
第一次卷积可以提取出低层次的特征。
第二次卷积可以提取出中层次的特征。
第三次卷积可以提取出高层次的特征。
1、输入层
输入层的图像可以是灰度图也可以是彩色图，一般是2维向量。
2、卷积层
在OpenCv图像处理中，均值模糊就用到了卷积，只不过用到的滤波器是用来去噪点的，包括canny边缘检测也是一样，也是用了sobel算子和高斯滤波器，得到了边缘图像。所以，不同的滤波器有不同的作用。
上图中，如果左图是原图，左图红框是卷积核，右图是卷积核每次步长为1移动所产生的的新的图像。左右图中的红框一一对应。比如左图中红框：
1x1+1x0+1x1+1x0+1x1+0x1+1x1+0x0+0x1=4，正好就是右图中红框中的4。从左图到右图好像图像缩小了，这是使用了padding='Valid’方式，即不补0操作，如果要想使图像不缩小，可以使用padding="SAME"方式，即补0操作，就是在左图矩阵的上下左右全部加上0，即：
3、池化层
池化层又称下采样，它的作用是减小数据处理量同时保留有用信息。怎么减少数据量？那就只能删除数据了。池化层分类3类：
1、平均池化；
2、最大池化；
3、随机池化。
池化层与卷积层的操作有些类似，也有一个卷积核，一般来说该卷积核为2X2大小，步长也为2。
1、平均池化：
2X2窗口上的4个数值相加处于4就是输出的结果，如上图所示。
2、最大值池化：
找出卷积核中标定的4邻域中的最大值，如上图所示。
3、随机池化
这个比较不常用，不确定性太多。在4邻域中也随机找出一个值，生成新的特征数据。
4、RELU
RELU是一个**函数，之前也有介绍过：TensorFlow-深度学习-09-**与损失函数。
5、全连通层
经过卷积-池化-卷积-池化…这样的操作之后，接下来就是基本的神经网络了。可以在神经网络这段神经网络过程中加入dropout，解决神经网络的过拟合问题，提高训练效果。
以上就是CNN的基本流程，总结起来就是：流程：输入层——>第一层卷积层——>第一层池化层——>第二层卷积层——>第二层池化层——>三层全连通层——>输出层
具体参考这篇文章，写的很详细：https://www.cnblogs.com/fydeblog/p/7450413.html
实例：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist/", one_hot=True)
def cnn_demo():
x = tf.placeholder(shape=[None, 784], dtype=tf.float32)
x_image = tf.reshape(x, shape=[-1, 28, 28, 1]) # 把一维reshape成2维,[-1,28,28,1]分别表示batch_size，28*28（高，宽）大小，灰度图像
y = tf.placeholder(shape=[None, 10], dtype=tf.float32) # 输出值
'''----------初始化第一次卷积核----------'''
conv_w1 = tf.Variable(tf.truncated_normal(shape=[5, 5, 1, 32], stddev=0.1),
dtype=tf.float32) # 滤波器， [5,5,1,32]分别表示使用5*5的采样大小，因为是灰度图，所以通道是为1，32表示用32个卷积核采用成32个的特征平面
conv_b1 = tf.Variable(tf.truncated_normal(shape=[32], stddev=0.1), dtype=tf.float32) # 32个平面就有32个偏置项
conv1_out = tf.nn.conv2d(input=x_image, filter=conv_w1, strides=[1, 1, 1, 1],
padding='SAME') # 卷积运算,strides=[1,1,1,1],strides[0]和strides[3]都是固定的，中间两个1表示步长为1，向右向下都往走1步
relu_conv1 = tf.nn.relu(tf.add(conv1_out, conv_b1))
'''---------第一层池化计算-----------------'''
pool_conv1 = tf.nn.max_pool(relu_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
padding="SAME") # ksize是窗口大小（2*2），步长为2
'''----------初始化第二次卷积核----------'''
conv_w2 = tf.Variable(tf.truncated_normal(shape=[5, 5, 32, 64], stddev=0.1),
dtype=tf.float32) # 滤波器,[5,5,32,64]分别表示使用5*5的采样大小，32表示32张灰度图，64表示用32个卷积核采用成64个的特征平面
conv_b2 = tf.Variable(tf.truncated_normal(shape=[64], stddev=0.1), dtype=tf.float32) # 32个平面就有32个偏置项
conv2_out = tf.nn.conv2d(input=pool_conv1, filter=conv_w2, strides=[1, 1, 1, 1],
padding='SAME') # 卷积运算,strides=[1,1,1,1],strides[0]和strides[3]都是固定的，中间两个1表示步长为1，向右向下都往走1步
relu_conv2 = tf.nn.relu(tf.add(conv2_out, conv_b2))
pool_conv2 = tf.nn.max_pool(relu_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
padding="SAME") # ksize是窗口大小（2*2），步长为2
'''
一张28*28的图片，经过第一层卷积之后，图像变成32张28*28的大小，第一次池化之后变成14*14大小
经过第二次卷积之后，图像变成64张14*14大小，第二次池化之后变成7*7大小
'''
# -------下面就是人工神经网络的应用了-------------
'''--------------第一层全连接层-------------'''
hidden_num1 = 100
hidden_num2=50
drouout_value = tf.placeholder(dtype=tf.float32)
fc_w1 = tf.Variable(tf.truncated_normal(shape=[7 * 7 * 64, hidden_num1], stddev=0.1), dtype=tf.float32)
fc_b1 = tf.Variable(tf.truncated_normal(shape=[hidden_num1]), dtype=tf.float32)
pool_conv2 = tf.reshape(pool_conv2, shape=[-1, 7 * 7 * 64]) # -1表示所有图片，相当于None
# --------------计算第一层（隐层）神经网络--------------
nn1 = tf.add(tf.matmul(pool_conv2, fc_w1), fc_b1)
out1 = tf.nn.dropout(tf.nn.relu(nn1), keep_prob=drouout_value) # **函数，并且加入dropout
'''--------------第二层全连接层-------------'''
fc_w2 = tf.Variable(tf.truncated_normal(shape=[hidden_num1, hidden_num2], stddev=0.1), dtype=tf.float32)
fc_b2 = tf.Variable(tf.truncated_normal(shape=[hidden_num2]), dtype=tf.float32)
# --------------计算第二层（隐层）神经网络--------------
nn2 = tf.add(tf.matmul(out1, fc_w2), fc_b2)
out2 = tf.nn.dropout(tf.nn.relu(nn2),keep_prob=drouout_value) # **函数，并且加入dropout
'''--------------第三层全连接层-------------'''
fc_w3 = tf.Variable(tf.truncated_normal(shape=[hidden_num2, 10], stddev=0.1), dtype=tf.float32)
fc_b3 = tf.Variable(tf.truncated_normal(shape=[10]), dtype=tf.float32)
# --------------计算第二层（隐层）神经网络--------------
nn3 = tf.add(tf.matmul(out2, fc_w3), fc_b3) #最后一层一般不做**
#out3 = tf.nn.relu(nn3) # **函数
# ----------------计算loss-------------------
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y, logits=nn3))
step = tf.train.GradientDescentOptimizer(learning_rate=0.03).minimize(loss) # 梯度下降优化器
# ---------------准确率----------------------
acc_mat = tf.equal(tf.argmax(y, 1), tf.argmax(nn3, 1)) # 返回的是True和False
acc_ret = tf.reduce_sum(tf.cast(acc_mat, dtype=tf.float32))
init = tf.global_variables_initializer()
with tf.Session() as sess:
batch_size = 128
sess.run(init)
for i in range(10000):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(step, feed_dict={x: batch_xs, y: batch_ys, drouout_value: 0.6})
if (i + 1) % 1000 == 0:
curr_acc, curr_loss = sess.run([acc_ret, loss],
feed_dict={x: mnist.test.images[:1000], y: mnist.test.labels[:1000],
drouout_value: 1.0})
print("第"+str((i+1)//1000)+"次:","准确值:", curr_acc/10,"%", "损失值:", curr_loss)
if __name__ == "__main__":
cnn_demo()
运行结果：
我之前在全连接层只加了一层隐层，效果达到了99%，后来加了两层，就达到了上图的结果，所以，调节神经网络也是需要经验的。