深度学习-TensorFlow实现卷积神经网络

TensorFlow实现卷积神经网络：

实现网络将使用的辅助函数

实现基于TensorFlow的完整cnn网络

上一篇使用numpy实现卷积，池化，正反传播，是为了解卷积神经网络原理。现在深度学习的大多数实际应用都是使用编程框架构建的，编程框架具有许多内置函数可以方便实现各种网络。

TensorFlow的使用步骤回顾

创建占位符

参数初始化

正向传播

计算成本

选择优化算法

初始化全局参数

创建session

session初始化

循环运行周期：

样本划分mini-batch

循环 mini-batch

运行session

2. 由上面的数据处理可以看出，卷积神经网络和之前的普通网络的区别之一是数据并没有被拍平，图像的输入是带有通道的。

创建占位符：

参数初始化：

正向传播：

卷积函数

给定输入X和一组卷积核W1，这个函数在X上使用W1进行卷积。第三个参数([1,s,s,1]) 表示输入数据，每个维度的卷积步幅(m, n_H_prev, n_W_prev, n_C_prev)

池化函数

输入A，卷积核大小（f，f），步幅（s，s）

激活函数

数据扁平化，主要是为后面的全连接做数据处理

全连接，普通连接层

x输入，num_outputs输出值个数，也就是节点数

计算成本

多分类交叉熵成本函数

tf.reduce_mean

计算平均值

最终模型

最终的训练集精度 大约 90%

测试集精度大约85%

下一篇：使用keras构建卷积神经网络