10 卷积神经网络及python实现

1 卷积神经网络简介

卷积神经网络(Convolutional Neural Network, CNN)由LeCun在上世纪90年代提出。
LeCun Y., Bottou L., Bengio Y., and Haffner P., Gradient-based learning applied to document recognition, Proceedings of the IEEE, pp. 1-7, 1998.

卷积核和特征图：

如果我们用6个卷积核，就能获得6个特征图（feature map）。你也可以把产生的6个特征图看成一个新的“图像”，其height, width, channel数目分别是28,28,6。

2 基本操作

2.1 卷积层

卷积层：特征提取
可以将图像卷积看成全连接网络的权值共享（weight sharing）

$$\begin{array}{l}{p}_1=w_1\ast x_1+w_2\ast x_2+w_3\ast x_4+w_4\ast x_5+b_1\\ p_2=w_1\ast x_2+w_2\ast x_3+w_3\ast x_5+w_4\ast x_6+b_2\\ p_3=w_1\ast x_4+w_2\ast x_5+w_3\ast x_7+w_4\ast x_8+b_3\\ p_4=w_1\ast x_5+w_2\ast x_6+w_3\ast x_8+w_4\ast x_9+b_4\end{array}$$
上一页中的卷积操作，等价于如下权值共享网络：


参数个数计算：
第1层(convolutional layer): (55+1)6=156
第2层(subsampling layer): 0
第3层(convolutional layer): (556+1)16=2416
第4层(subsampling layer): 0
第5层(fully connected layer): (55*16+1)*120=48120
第6层(fully connected layer): (120+1)*84=10164
第7层(fully connected layer): (84+1)*10=850

参数总数：61,706

2.2 ReLU 激活层

加入非线性因素，将卷积层输出结果做非线性映射。
ReLU 函数：

• 对于输入负值，输出全为0；
• 正值原样输出。
  

2.3 池化层

提取重要的特征信息。
将输入图像进行缩小，减少像素信息，保留重要信息。
取最大值、平均值等。

2.4 单层卷积神经网络

卷积、激活函数、池化组合在一起。

2.5 全连接层

全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积、池化等深度网络后，再经过全连接层对结果进行识别分类。

2.6 卷积神经网络流程

3 代码分析

1.引入头文件,加载数据
将数据读入数据集 独热编码
2.封装函数，方便网络搭建多处调用
（1）构建权重$w$，产生随机变量
（2）构建偏置$b$
（3）卷积层准备：卷积函数实现
（4）卷积层 激活函数$x$与0作比较
（5）池化层：小一倍数据 特征图
3.特征标签的占位符
4.开始网络搭建 CNN构建
1）卷积层 ，创建patch=5*5卷积核
构建$w,b$
([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
（2）第一层卷积层，调用函数
（3）激活relu
（4）池化
2）第二层卷积
和第一层差不多，注意几个点
构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
第一层卷积层（上一层池化的结果，这一层的w）
3）全连层
据拍平、提纯、分类
（1）第一层全连层：前馈神经网络 输入：第二次池化结果 7764 假设神经元1024个
（2）第二层全连层：分类器
上层输出1024是这层输入，总的分类数为这层输出
5.构建损失函数
6.优化器

"""
卷积神经网络：手写数字模型
"""
import tensorflow as tf
# 加载数据
from tensorflow.examples.tutorials.mnist import input_data
# 将数据读入数据集 独热编码
input_data.read_data_sets('MNIST_data/',one_hot=True)input_size=28*28
# 分类
num_class=10# 创建函数:构建权重w，产生随机变量
def weight_variable(shape):"""构建权重w，产生随机变量:param shape::return:"""w=tf.random_normal(shape=shape,stddev=0.01)return tf.Variable(w)def bias_variable(shape):"""构建偏置b:param shape::return:"""b=tf.constant(0.01,shape=shape)return tf.Variable(b)def con2d(x,w):"""卷积层准备：卷积函数实现:param x: 图像矩阵信息:param w: 卷积核的值:return: conv2d"""# strides:卷积步长[上、右、下、左]return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')def relu_con(x):"""卷积层 激活x与0作比较:param x::return:"""return tf.nn.relu(x)def max_pool_con2x2(x):"""池化层：小一倍数据 特征图:param x: 图片的矩阵信息:return:value,ksize,strides,【上、右、下、左】右、下两个单位padding,data_format="NHWC",name=None,input=None"""return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')# 网络搭建
# 1.特征标签的占位符
# # 1.占位符---输入层 x：数据输入到图中进行计算  y:识别的数字，有几个类别输入几个数字
xs= tf.placeholder(tf.float32,shape=[None,input_size]) #64列不知道几行
ys = tf.placeholder(tf.float32,shape=[None,num_class])#10类不知道多少个# 将xs灰度处理:拍平变成一维[-1任意一张图片，28，28矩阵大小，1深度]
# 将该数据放到卷积层操作
x_image=tf.reshape(xs,[-1,28,28,1])
# CNN构建
# 第一层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b
w_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
# 第一层卷积层
conv1 = con2d(x_image,w_conv1)
# 激活relu
h_conv1=relu_con(conv1+b_conv1)
# 池化
h_pool1=max_pool_con2x2(h_conv1)# 第二层=====# 第二层：卷积层 创建patch=5*5卷积核
# ([卷积核大小5 5，输入数据的维度1(灰度处理)，输出的高度32])
# 构建w\b 上一层的输出是这一层的输入，这一层的输出2的次方
w_conv2=weight_variable([5,5,32,64])# 14*14*32
b_conv2=bias_variable([64])
# 第一层卷积层（上一层池化的结果，这一层的w）
conv2 = con2d(h_pool1,w_conv2)
# 激活relu
h_conv2=relu_con(conv2+b_conv2)
# 池化
h_pool2=max_pool_con2x2(h_conv2)# 全连层 数据拍平、提纯、分类
# 不再做卷积了
# 全连接第一层：前馈神经网络 输入：第二次池化结果 7*7*64 假设神经元1024个
w_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])
# 输出矩阵 几行不管 列：7*7*64
h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
# 前馈神经网络wx+b
h_fc1=tf.matmul(h_pool2_flat,w_fc1)+b_fc1
# 激活
h_flc1=relu_con(h_fc1)# 第二层全连层：分类
w_fc2=weight_variable([1024,num_class])
b_fc2=bias_variable([num_class])
# 计算并激活
# 前馈神经网络wx+b
h_fc2=tf.matmul(h_flc1,w_fc2)+b_fc2
# 激活---分类 返回每种情况的概率
predict=h_flc2=tf.nn.softmax(h_fc2)# 构建损失函数
# 优化器