稍稍亂入的CNN，本文依然是學習周莫煩視頻的筆記。
　　
　　還有 google 在 udacity 上的 CNN 教程。
　　
　　CNN(Convolutional Neural Networks) 卷積神經網絡簡單講就是把一個圖片的數據傳遞給CNN，原塗層是由RGB組成，然後CNN把它的厚度加厚，長寬變小，每做一層都這樣被拉長，最後形成一個分類器：
　　
　　如果想要分成十類的話，那麽就會有0到9這十個位置，這個數據屬於哪一類就在哪個位置上是1，而在其它位置上為零。
　　
　　在 RGB 這個層，每一次把一塊核心抽出來，然後厚度加厚，長寬變小，形成分類器：
　　
　　在 CNN 中有幾個重要的概念：
　　
　　- stride
　　
　　- padding
　　
　　- pooling
　　
　　stride，就是每跨多少步抽取信息。每一塊抽取一部分信息，長寬就縮減，但是厚度增加。抽取的各個小塊兒，再把它們合並起來，就變成一個壓縮後的立方體。
　　
　　padding，抽取的方式有兩種，一種是抽取後的長和寬縮減，另一種是抽取後的長和寬和原來的一樣。
　　
　　pooling，就是當跨步比較大的時候，它會漏掉一些重要的信息，為了解決這樣的問題，就加上一層叫pooling，事先把這些必要的信息存儲起來，然後再變成壓縮後的層：
　　
　　patch, 就是小方塊的長寬的像素，in size 是image的厚度為1，out size是輸出的厚度為32:
　　
　　CNN的結構，分析一張圖片時，先放一個CNN的圖層，再把這個圖層進行一個pooling。這樣可以比較好的保持信息，之後再加第二層的CNN和pooling。
　　
　　導入一個圖片之後，先是有它的RGB三個圖層，然後把像素塊縮小變厚。本來有三個厚度，然後把它變成八個厚度，它的長寬在不斷的減小，最後把它們連接在一起：
　　
　　下面就是用 tensorflow 構建一個 CNN 的代碼，
　　
　　裏面主要有4個layer，分別是:
　　
　　1. convolutional layer1 + max pooling;
　　
　　2. convolutional layer2 + max pooling;
　　
　　3. fully connected layer1 + dropout;
　　
　　4. fully connected layer2 to prediction.
　　
　　import tensorflow as tf
　　
　　from tensorflow.examples.tutorials.mnist import input_data
　　
　　# number 1 to 10 data
　　
　　mnist = input_data.read_data_sets(‘MNIST_data‘, one_hot=True)
　　
　　def compute_accuracy(v_xs, v_ys):
　　
　　global prediction
　　
　　y_pre = sess.run(prediction, feed_dict={xs: v_xs, keep_prob: 1})
　　
　　correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
　　
　　accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
　　
　　result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys, keep_prob: 1})
　　
　　return result
　　
　　# 產生隨機變量，符合 normal 分布
　　
　　# 傳遞 shape 就可以返回weight和bias的變量
　　
　　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)
　　
　　# 定義2維的 convolutional 圖層
　　
　　def conv2d(x, W):
　　
　　# stride [1, x_movement, y_movement, 1]
　　
　　# Must have strides[0] = strides[3] = 1
　　
　　# strides 就是跨多大步抽取信息
　　
　　return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding=‘SAME‘)
　　
　　# 定義 pooling 圖層
　　
　　def max_pool_2x2(x):
　　
　　# stride [1, x_movement, y_movement, 1]
　　
　　# 用pooling對付跨步大丟失信息問題
　　
　　return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding=‘SAME‘)
　　
　　# define placeholder for inputs to network
　　
　　xs = tf.placeholder(tf.float32, [None, 784]) # 784＝28x28
　　
　　ys = tf.placeholder(tf.float32, [None, 10])
　　
　　keep_prob = tf.placeholder(tf.float32)
　　
　　x_image = tf.reshape(xs, [-1, 28, 28, 1]) # 最後一個1表示數據是黑白的
　　
　　# print(x_image.shape) # [n_samples, 28,28,1]
　　
　　## 1. conv1 layer ##
　　
　　# 把x_image的厚度1加厚變成了32
　　
　　W_conv1 = weight_variable([5, 5, 1, 32]) # patch 5x5, in size 1, out size 32
　　
　　b_conv1 = bias_variable([32])
　　
　　# 構建第一個convolutional層，外面再加一個非線性化的處理relu
　　
　　h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32
　　
　　# 經過pooling後，長寬縮小為14x14
　　
　　h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32
　　
　　## 2. conv2 layer ##
　　
　　# 把厚度32加厚變成了64
　　
　　W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
　　
　　b_conv2 = bias_variable([64])
　　
　　# 構建第二個convolutional層
　　
　　h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64
　　
　　# 經過pooling後，長寬縮小為7x7
　　
　　h_pool2 = max_pool_2x2( www.chuangyed.com h_conv2) # output size 7x7x64
　　
　　## 3. func1 layer ##
　　
　　# 飛的更高變成1024
　　
　　W_fc1 = weight_variable([7*7*64, 1024])
　　
　　b_fc1 = bias_variable([1024])
　　
　　# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
　　
　　# 把pooling後的結果變平
　　
　　h_pool2_flat = tf.reshape(h_pool2, [www.txfenfenc11.cn -1, 7*7*64])
　　
　　h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
　　
　　h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
　　
　　## 4. func2 layer ##
　　
　　# 最後一層，輸入1024，輸出size 10，用 softmax 計算概率進行分類的處理
　　
　　W_fc2 = weight_variable([1024, 10])
　　
　　b_fc2 = bias_variable([10])
　　
　　prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
　　
　　# the error between prediction and real data
　　
　　cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
　　
　　reduction_indices=[1])) # loss
　　
　　train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
　　
　　sess = tf.Session()
　　
　　# important step
　　
　　sess.run(tf.initialize_all_variables())
　　
　　for i in range(1000):
　　
　　batch_xs, batch_ys = www.xingchexiu.com mnist.train.next_batch(100)
　　
　　sess.run(train_step, feed_dict={xs: www.yongshiyule178.com/ batch_xs, ys: batch_ys, keep_prob: 0.5})
　　
　　if i % 50 == 0:
　　
　　print(compute_accuracy(
　　
　　mnist.test.images, www.255055.cn mnist.test.labels))

稍稍亂入的CNN，本文依然是學習周莫煩視頻的筆記。