TF之CNN：Tensorflow构建卷积神经网络CNN的简介、使用方法、应用之详细攻略

目录

TensorFlow 中的卷积有关函数入门

1、tf.nn.conv2d函数

案例应用

1、TF之CNN：Tensorflow构建卷积神经网络CNN

2、使用简单的函数来替代上面的定义

TensorFlow 中的卷积有关函数入门

    TensorFlow 构建卷积网络之前，我们需要了解一下 TensorFlow 中的函数：conv_2d() 和 fully_connected() 函数分别构建了卷积层和全连接层。通过这些函数，层级的数量、滤波器的大小/深度、激活函数的类型等都可以明确地作为一个参数。权重矩阵和偏置向量能自动创建，附加激活函数和 dropout 正则化层同样也能轻松构建。

1、tf.nn.conv2d函数

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name参数用以指定该操作的name，与方法有关的一共五个参数：
第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。

案例应用

1、TF之CNN：Tensorflow构建卷积神经网络CNN

TF之CNN：Tensorflow构建卷积神经网络CNN
1、定义卷积层网络
import  tensorflow  as  tf    
w1 = tf. Variable (tf.truncated_normal([filter_size, filter_size, image_depth, filter_depth], stddev= 0.1 )) 
b1 = tf. Variable (tf.zeros([filter_depth]))  
 
layer1_conv = tf.nn.conv2d(data, w1, [ 1 ,  1 ,  1 ,  1 ], padding= 'SAME' ) 
layer1_relu = tf.nn.relu(layer1_conv + b1) 
layer1_pool = tf.nn.max_pool(layer1_pool, [ 1 ,  2 ,  2 ,  1 ], [ 1 ,  2 ,  2 ,  1 ], padding= 'SAME' )

2、使用简单的函数来替代上面的定义

 
2、使用简单的函数来替代上面的定义
from  tflearn.layers.conv  import  conv_2d, max_pool_2d    
layer1_conv = conv_2d(data, filter_depth, filter_size, activation= 'relu' ) 
layer1_pool = max_pool_2d(layer1_conv_relu,  2 , strides= 2 )

参考文献
TF-卷积函数 tf.nn.conv2d 介绍