CNN 卷积神经网络 3
学习资料:
这一次我们一层层的加上了不同的 layer. 分别是:
- convolutional layer1 + max pooling;
- convolutional layer2 + max pooling;
- fully connected layer1 + dropout;
- fully connected layer2 to prediction.
我们利用上节课定义好的函数来构建我们的网络
图片处理¶
首先呢,我们定义一下输入的placeholder
我们还定义了dropout
的placeholder
,它是解决过拟合的有效手段
接着呢,我们需要处理我们的xs
,把xs
的形状变成[-1,28,28,1]
,-1代表先不考虑输入的图片例子多少这个维度,后面的1是channel的数量,因为我们输入的图片是黑白的,因此channel是1,例如如果是RGB图像,那么channel就是3。
建立卷积层¶
接着我们定义第一层卷积,先定义本层的Weight
,本层我们的卷积核patch的大小是5x5,因为黑白图片channel是1所以输入是1,输出是32个featuremap
接着定义bias
,它的大小是32个长度,因此我们传入它的shape
为[32]
定义好了Weight
和bias
,我们就可以定义卷积神经网络的第一个卷积层h_conv1 = conv2d(x_image,W_conv1)+b_conv1
,同时我们对h_conv1
进行非线性处理,也就是激活函数来处理喽,这里我们用的是tf.nn.relu
(修正线性单元)来处理,要注意的是,因为采用了SAME
的padding方式,输出图片的大小没有变化依然是28x28,只是厚度变厚了,因此现在的输出大小就变成了28x28x32
最后我们再进行pooling
的处理就ok啦,经过pooling
的处理,输出大小就变为了14x14x32
接着呢,同样的形式我们定义第二层卷积,本层我们的输入就是上一层的输出,本层我们的卷积核patch的大小是5x5,有32个featuremap所以输入就是32,输出呢我们定为64
接着我们就可以定义卷积神经网络的第二个卷积层,这时的输出的大小就是14x14x64
最后也是一个pooling处理,输出大小为7x7x64
建立全连接层¶
好的,接下来我们定义我们的 fully connected layer,
进入全连接层时, 我们通过tf.reshape()
将h_pool2
的输出值从一个三维的变为一维的数据, -1表示先不考虑输入图片例子维度, 将上一个输出结果展平.
此时weight_variable
的shape
输入就是第二个卷积层展平了的输出大小: 7x7x64, 后面的输出size我们继续扩大,定为1024
然后将展平后的h_pool2_flat
与本层的W_fc1
相乘(注意这个时候不是卷积了)
如果我们考虑过拟合问题,可以加一个dropout的处理
接下来我们就可以进行最后一层的构建了,好激动啊, 输入是1024,最后的输出是10个 (因为mnist数据集就是[0-9]十个类),prediction就是我们最后的预测值
然后呢我们用softmax分类器(多分类,输出是各个类的概率),对我们的输出进行分类
选优化方法¶
接着呢我们利用交叉熵损失函数来定义我们的cost function
我们用tf.train.AdamOptimizer()
作为我们的优化器进行优化,使我们的cross_entropy
最小
接着呢就是和之前视频讲的一样喽 定义Session
初始化变量
好啦接着就是训练数据啦,我们假定训练1000
步,每50
步输出一下准确率, 注意sess.run()
时记得要用feed_dict
给我们的众多 placeholder
喂数据哦.
以上呢就是一个简单的卷积神经网络的例子代码