各种模块各种函数一一查询，还是不是很理解MNIST手写数字分类问题（进阶篇）的实现，作为菜鸡先记录下来，留作以后复盘使用。废话不多说，先进入正题
一、实例代码
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
sess = tf.InteractiveSession()
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
W_conv1 = weight_variable([5, 5, 1, 32])
# 1通道卷积，卷积出32个特征
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
sess = tf.InteractiveSession()
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
W_conv1 = weight_variable([5, 5, 1, 32])
# 1通道卷积，卷积出32个特征
b_conv1 = bias_variable([32])
# 32个偏执数据
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float")
二、模块函数小解
1、tensorflow.truncated_normal()
格式：tf.truncated_normal( shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None )
意义：从截断的正态分布中输出随机值. 生成的值遵循具有指定平均值和标准偏差的正态分布,如生成值跟均值的差值大于2倍标准差，则舍弃重新生成.
参数解析：shape：一维整数张量或 Python 数组,输出张量的形状.
mean：dtype 类型的 0-D 张量或 Python 值,截断正态分布的均值.
stddev：dtype 类型的 0-D 张量或 Python 值,截断前正态分布的标准偏差.
dtype：输出的类型.
seed：一个 Python 整数.用于为分发创建随机种子.查看tf.set_random_seed行为. 整数，确定后返回值不在变化.
name：操作的名称(可选，爱写不写).
实例：
2、tensorflow.nn.conv2d()
格式：tf.nn.conv2d( input, filter, strides, padding, use_cudnn_on_gpu=True, data_format='NHWC', dilations=[1, 1, 1, 1], name=None )
意义：计算给定的4-D input和filter张量的2-D卷积.
参数解析：
input：一个Tensor,必须是下列类型之一：half,bfloat16,float32,float64；一个4-D张量,维度顺序根据data_format值进行解释.
filter：一个Tensor,必须与input相同,形状为[filter_height, filter_width, in_channels, out_channels]的4-D张量.
strides：ints列表,长度为4的1-D张量,input的每个维度的滑动窗口的步幅；维度顺序由data_format值确定.
padding：string,可以是："SAME", "VALID",要使用的填充算法的类型. use_cudnn_on_gpu：bool,默认为True.
data_format：string,可以是"NHWC", "NCHW",默认为"NHWC"；指定输入和输出数据的数据格式；使用默认格式“NHWC”,数据按以下顺序存储：[batch, height, width, channels]；或者,格式可以是“NCHW”,数据存储顺序为：[batch, channels, height, width].
dilations：ints的可选列表,默认为[1, 1, 1, 1],长度为4的1-D张量,input的每个维度的扩张系数；如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格；维度顺序由data_format值确定；批次和深度尺寸的扩张必须为1.
name：操作的名称(可选，爱写不写).
3、tensorflow.nn.max_pool()
格式：tf.nn.max_pool( value, ksize, strides, padding, data_format='NHWC', name=None )
意义：在输入上执行最大池化
参数解析：
value：由data_format指定格式的4-D Tensor.
ksize：具有4个元素的1-D整数Tensor.输入张量的每个维度的窗口大小.
strides：具有4个元素的1-D整数Tensor.输入张量的每个维度的滑动窗口的步幅.
padding：一个字符串,可以是'VALID'或'SAME'.填充算法.
data_format：一个字符串.支持'NHWC','NCHW'和'NCHW_VECT_C'.
name：操作的名称(可选，爱写不写).
实例：
第一步：定义一个张量
得到的结果为：
第二步：重塑张量
第三步：最大池化
valid算法:若有多余，直接丢掉最右边的列（或最底部的行）
嗯？也许看来半天也处在迷糊中，为什么会是这个结果呢？接下来就解析下为什么会是这个结果。
ksize=[1,2,2,1]形状为 [[ ] [ ]
[ ] [ ]] ，
最池化过程：
channel1最大池化过程：将channel第一行的一二列和第二行的一二列进行最大池化得到结果8，将channel第一行的二三列和第二行的二三列进行最大池化得到结果6，遍历循环，直到最大池化完得到右边的图。
channel2的最大池化过程同channel1。
最终池化完成得到的结果为
过程明细图
same算法：如有少，尝试向左和向右均匀填充0，但如果要添加的列数是奇数，它将向右添加额外的列
4、tensorflow.nn.relu()
格式：tf.nn.relu( features, name=None )
意义：计算校正线性：max(features, 0).
参数解析：
features：一个Tensor.必须是下列类型之一：float32,float64,int32,uint8,int16,int8,int64,bfloat16,uint16,half,uint32,uint64.
name：操作的名称(可选，爱写不写).
实例：
5、tensorflow.nn.dropout()
格式：tf.nn.dropout( x, keep_prob, noise_shape=None, seed=None, name=None )
意义：使用概率keep_prob,输出按照1/keep_prob的比例放大输入元素,否则输出0.缩放是为了使预期的总和不变.
参数解析：
x：一个浮点型Tensor.
keep_prob：一个标量Tensor,它与x具有相同类型.保留每个元素的概率.
noise_shape：类型为int32的1维Tensor,表示随机产生的保持/丢弃标志的形状.
seed：一个Python整数.用于创建随机种子.
name：此操作的名称(可选，爱写不写).
实例：
6、tensorflow.ones()
格式：ones( shape, dtype=tf.float32, name=None )
意义：创建一个张量，所有元素的值为1.
参数解析：
shape：整数的列表,整数的元组或 int32 类型的一维张量.
dtype：生成的张量中元素的类型.
name：操作的名称(可选，爱写不写).
实例：
