TensorFlow 实现卷积神经网络（CNN）

TensorFlow 实现卷积神经网络（CNN）

1. 知识点：

1. 计算卷积后的图片的大小

   1. 在最后的全连接层使用，将卷积后的所有特征转换成1维向量，进行全连接

2. 卷积核的使用

   1. 卷积核大小
   2. 卷积核步长
   3. 填充值

3. 卷积核的特征数量

4. 卷积函数的使用

5. 池化函数的使用

   ​

2. 出错点：

1. 卷积后的图像的大小
2. 最后输出层输入大小

3. 卷积层（Conv Layer）的输出张量（图像）的大小

定义如下：

O = 输出图像的尺寸。

I = 输入图像的尺寸。

K = 卷积层的核尺寸

N = 核数量

S = 移动步长

P =填充数

基本公式为：
$$O=\lceil \frac{I-K+2\times P}{S}\rceil +1$$

padding=’SAME‘ 填充0

**默认：**P = 0

符号：（$\lceil \rceil$ ）：向上取整

输出图像尺寸的计算公式如下：
$$O=\lceil \frac{I-K+2\times 0}{S}\rceil +1$$
例如：输入图片28x28，卷积核3x3 ，步长h=2, w=2，计算结果：

\bigg\lceil\frac{28-3+2\times 0}{2}\bigg\rceil+1=14
1

（28 -3）/2 = 12.5，向上取整为13 所以最后为14

注意：

1. 当步长为1时，输出图片的尺寸等于输出图片的尺寸
2. 如何高和宽 不同，那么就分开求值

padding=’VALID‘ 不填充(需验证)

默认：p = 1

公式为：
$$O=\lceil \frac{I-K+2\times p}{S}\rceil -1$$

例如： 输入图片28x28，卷积核3x3 ，步长h=2, w=2，计算结果：
$$O=\lceil \frac{28-3+2\times 1}{2}\rceil -1=13$$

（28-3+2）/2 =13.5 向上取整 14 减 1 = 13

4. 池化层（Conv Layer）的输出张量（图像）的大小

在TensorFlow中：池化操作：（tf.nn.max_pool())

步长为1 时，图片尺寸不变

步长相同，尺寸不同时，图片尺寸相同

步长不同，尺寸相同时，图片尺寸不同

定义如下：

O = 输出图像的尺寸。
I = 输入图像的尺寸。
S = 移动步长
PS = 池化层尺寸

**注意：**不同于卷积层，池化层的输出通道数不改变

padding=’SAME‘ 填充0

输出图像尺寸的计算公式如下：

符号：（$\lceil\quad \rceil$） 代表向上取整

O =\bigg\lceil\frac{I - P_S}{S}\bigg\rceil+1
1

**例：**原图=[1,28,28,1] ksize=[1,2,2,1], strides=[1,3,3,1] 结果：(1, 10, 10, 1)，计算过程

O=\bigg\lceil\frac{28-2}{3} \bigg\rceil +1 = 10
1

（28-2）/3 = 8.6666667 向上取整为：9 加1 = 10

在TensorFlow的（填充0）池化结果

示例代码：

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
# 获取数据集
mnist = input_data.read_data_sets(r'E:\PycharmProjects\TensorflowTest\MNIST_data', one_hot=True)
# in_x = tf.Variable(tf.zeros([1,28,28,1]), dtype=tf.float32)
in_x = tf.placeholder(dtype=tf.float32, shape=[1,28,28,1])

pool1 = tf.nn.max_pool(in_x,ksize=[1,2,2,1],strides=[1,1,1,1],padding='SAME')
pool2 = tf.nn.max_pool(in_x,ksize=[1,2,<
1
2
3
4
5
6
7
8
9
10