算的的上是自己搭建的第一个卷积神经网络。网络结构比较简单。
输入为单通道的mnist数据集。它是一张28*28，包含784个特征值的图片
我们第一层输入，使用5*5的卷积核进行卷积，输出32张特征图，然后使用2*2的池化核进行池化 输出14*14的图片
第二层 使用5*5的卷积和进行卷积，输出64张特征图，然后使用2*2的池化核进行池化 输出7*7的图片
第三层为全连接层 我们总结有 7*7*64 个输入，输出1024个节点 ，使用relu作为激活函数，增加一个keep_prob的dropout层
第四层为输出层，我们接收1024个输入，输出长度为10的one-hot向量。使用softmax作为激活函数
使用交叉熵作为损失函数
网络模型代码：
from __future__ import absolute_import from __future__ import division from __future__ import print_function import argparse import sys import tempfile from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf FLAGS = None def weight_variable(shape): init=tf.truncated_normal(shape=shape,stddev=0.1,mean=1.) return tf.Variable(init) def bias_variable(shape): init=tf.constant(0.1,shape=shape) return tf.Variable(init) def conv2d(x,w): return tf.nn.conv2d(x,w,[1,1,1,1],padding="SAME") def max_pool_2x2(x): return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME") def deepnn(x): with tf.name_scope('reshape'): x_image=tf.reshape(x,[-1,28,28,1]) #第一层卷积和池化 with tf.name_scope('conv1'): #输入为1张图片 卷积核为5*5 生成32个特征图 w_conv1=weight_variable([5,5,1,32]) b_conv1=bias_variable([32]) h_conv1=tf.nn.relu(conv2d(x_image,w_conv1)+b_conv1) with tf.name_scope('pool1'): h_pool1=max_pool_2x2(h_conv1) #第二层卷积和池化 with tf.name_scope("conv2"): #输入为32张特征图，卷积核为5*5 输出64张特征图 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) with tf.name_scope("pool2"): h_pool2=max_pool_2x2(h_conv2) #第一层全连接层，将特征图展开为特征向量，与1024个节点连接 with tf.name_scope("fc1"): 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) #dropout层，训练时随机让某些隐含层节点权重不工作 with tf.name_scope("dropout1"): keep_prob=tf.placeholder(tf.float32) h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob) #第二个全连接层，连接1024个节点，输出one-hot预测 with tf.name_scope("fc2"): w_fc2=weight_variable([1024,10]) b_fc2=bias_variable([10]) h_fc2=tf.matmul(h_fc1_drop,w_fc2)+b_fc2 return h_fc2,keep_prob