手写数字识别经典案例，旨在熟悉cnn网络结构，掌握tf编写cnn的方法。
# encoding:utf-8 import tensorflow as tf import input_data # 自动下载安装数据集 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) x=tf.placeholder('float',[None,784]) # None 为样本个数 784=28*28 ### 初始化权重和偏置 # 一般来说初始化权重时要加入少量扰动，打破对称性，防止0梯度的问题。 # Relu要用稍大于0的值，避免节点输出恒为0 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) # 截断的正态分布 return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) # 经验:取正数较好 return tf.Variable(initial) ### 卷积和池化 def conv2d(x, W): # 卷积 # stride [1, x_movement, y_movement, 1] 步长，长度必须是4 # Must have strides[0] = strides[3] = 1 # padding 取same时卷积后的长宽和原图片一样，此时需要对原图片进行边界填充 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): # 池化 # ksize 是池化视野的大小 2x2 # strides padding 与卷积不同，取same时可能对原样本进行填充，注意是可能，且不要求和原样本大小一样，应该是一定不一样 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') ## 第一层卷积 # 权重就是卷积核，前两个维度是patch的大小，接着是输入的通道数目（或者说卷积核的通道数），最后是输出的通道数目（或者说卷积核的个数） W_conv1 = weight_variable([5, 5, 1, 32]) # 卷积核个数一般取2的n次方，n不限 # 输出对应一个同样大小的偏置向量 b_conv1 = bias_variable([32]) # 一个卷积核一个w，一个w一个b，故几个卷积核几个b # 把x变成一个4d向量，第1维是样本个数，-1代表暂时不确定，2 3维代表图片的宽高，最后一维是颜色通道（本例是黑白图片） x_image = tf.reshape(x, [-1, 28, 28, 1]) # 把x_image和权值向量进行卷积相乘，加上偏置，使用relu函数激活，最后max pooling h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) # 这层卷积完图片为 28*28*32 长宽不变，深度加深 # 这层池化完图片为 14*14*32 池化视野2x2，步长2,2 ## 第二层卷积 # 为了构建更深的网络，我们把几个类似的层堆叠起来 W_conv2 = weight_variable([5, 5, 32, 64]) # 32 是第一层卷完的深度（通道数） 64继续加深 b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) # 这层卷积完图片为 14*14*64 # 这层池化完图片为 7*7*64 ## 全连接层 # 这时图片的维度降到7x7， 加入一个有1024个神经元的全连接层，用于处理整个图片 W_fc1 = weight_variable([7 * 7 * 64, 1024]) # 全连接层此时的权重是2维的，即上次神经元个数，下层神经元个数 b_fc1 = bias_variable([1024]) # 我们把池化层输出的张量reshape成一维向量，乘以权重，加上偏置，激活 h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64]) # 将图片展开（flat）变成1维向量， -1 仍代表样本个数 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) ## dropout # 为了减少过拟合，在输出层之前加上dropout # 用一个placeholder来代表一个神经元在dropout中被保留的概率。 # 这样可以在训练过程中启用dropout，在测试过程中关闭dropout。 # tf.nn.dropout操作会自动处理神经元输出值的scale。所以用dropout的时候不用考虑scale keep_prob = tf.placeholder('float') h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) ## 输出层 # 最后添加softmax层 W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) # 损失函数 y_=tf.placeholder('float',[None,10]) # 10维 cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv)) # 优化器 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 评估 correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) # 训练 sess = tf.Session() sess.run(tf.initialize_all_variables()) for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: train_accuracy = sess.run(accuracy, feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0}) print "step %d, training accuracy %g"%(i, train_accuracy) sess.run(train_step, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) print "test accuracy %g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})
手写数字识别任务比较简单，据资料显示 2层卷积2层全连接的网络结构，是目前识别率最高的cnn模型。
对于复杂的场景
1. 通常需要更多的辅助技术，如集成学习，学习率衰减，数据扩充，
集成学习和lr衰减没什么好说的，这里简单介绍一下数据扩充。
数据扩充是基于某种算法人为的扩充训练集，如对图像进行旋转、平移等，这对数据集有限的情况非常有用。
还有比如 裁剪图像的crop处理，左右翻转的flip处理，增加亮度等外观变化，缩放等尺寸变化。
2. 也需要更深的网络和更复杂的结构，比如VGG，后面我会介绍。