本文實例為大家分享了Android九宮格圖片展示的具體代碼，供大家參考，具體內容如下
一．知識點總結
1. 卷積神經網絡出現的初衷是降低對圖像的預處理，避免建立復雜的特征工程。因為卷積神經網絡在訓練的過程中，自己會提取特征。
2. 靈感來自于貓的視覺皮層研究，每一個視覺神經元只會處理一小塊區域的視覺圖像，即感知野。放到卷積神經網絡里就是每一個隱含節點只與設定范圍內的像素點相連（設定范圍就是卷積核的尺寸），而全連接層是每個像素點與每個隱含節點相連。這種感知野也稱之為局部感知。
例如，一張1000*1000的圖片，如果隱含層有100*100個隱含節點全連接，則需要1000*1000*100*100+100*100個參數，而如果有10*10的范圍局部感知，用同樣多的隱含節點，只需要10*10*100*100+100*100個參數。
3. 把卷積的過程稱作卷積濾波，除了上面的局部感知，卷積濾波還有一個化簡操作——權值共享。即一個卷積濾波中的所有隱含節點與感知圖像連接的權值是一樣的，這樣，上述例子的參數減少為10*10+100*100個了。W的數量等于感知范圍的尺寸。
4. 為了抗變形和減小復雜度，卷積層同時還要做激活和池化。激活函數前一章已經弄明白了，池化，相當于降采樣，將n*n的像素區域采樣為m*m區域，m通常小于n。通常選擇最大池化，即選擇區域內的最大像素點。
5. 總結來講，卷積有三個要點：局部連接、權值共享、池化降采樣。一個卷積過程包含三個步驟：卷積濾波、激活、池化。
6. 卷積濾波中的卷積范圍可以用一個詞來代替——卷積核，卷積核等同于卷積濾波中的一個隱含節點感知范圍。由于權值共享，相當于一個卷積核對整個圖像做多次小范圍濾波，每濾一次波生成一個小的特征圖像，多次濾波后將所有小特征圖像組合起來，生成了對整個圖像的feature map。通常，一個卷積濾波過程有多個卷積核卷積，生成多張feature map。
所有的feature map都會被池化，然后輸入下一層。
7. 需要訓練的權值（參數）的數量只和卷積核尺寸有關，隱含節點（即卷積核要卷積的次數）只和卷積的卷積步長、圖像尺寸有關。
個人理解，一個卷積核對整個圖像卷積的過程，就像是一個棋子，在整個棋盤上按照步長跳動，每跳動一次，對感知范圍內的像素點做一次連接計算。
8. CNN在結構上和圖像的結構更為接近，都是2D的，因此，早期用在圖像上效果很好，但是最近，CNN用于NLP也很熱門。
二．程序解析
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
|
# coding: utf-8 # In[1]: import tensorflow as tf mnist = input_data.read_data_sets("MNSIT_data/", one_hot=True) sess = tf.InteractiveSession() # In[2]: #由于W和b在各層中均要用到，先定義乘函數。 #tf.truncated_normal：截斷正態分布，即限制范圍的正態分布 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) # In[7]: #bias初始化值0.1. def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) # In[12]: #tf.nn.conv2d:二維的卷積 #conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,data_format=None, name=None) #filter:A 4-D tensor of shape # `[filter_height, filter_width, in_channels, out_channels]` #strides:步長，都是1表示所有點都不會被遺漏。1-D 4值，表示每歌dim的移動步長。 # padding:邊界的處理方式，“SAME"、"VALID”可選 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #tf.nn.max_pool:最大值池化函數，即求2*2區域的最大值，保留最顯著的特征。 #max_pool(value, ksize, strides, padding, data_format="NHWC", name=None) #ksize:池化窗口的尺寸 #strides:[1,2,2,1]表示橫豎方向步長為2 def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides = [1, 2, 2, 1], padding='SAME') x = tf.placeholder(tf.float32, [None, 784]) y_ = tf.placeholder(tf.float32, [None, 10]) #tf.reshape:tensor的變形函數。 #-1：樣本數量不固定 #28,28：新形狀的shape #1:顏色通道數 x_image = tf.reshape(x, [-1, 28, 28, 1]) #卷積層包含三部分：卷積計算、激活、池化 #[5,5,1,32]表示卷積核的尺寸為5×5, 顏色通道為1, 有32個卷積核 W_conv1 = weight_variable([5, 5, 1, 32]) b_conv1 = bias_variable([32]) 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) #經過2次2×2的池化后，圖像的尺寸變為7×7,第二個卷積層有64個卷積核，生成64類特征，因此，卷積最后輸出為7×7×64. #tensor進入全連接層之前，先將64張二維圖像變形為1維圖像，便于計算。 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) #對全連接層做dropot keep_prob = tf.placeholder(tf.float32) h_fc1_dropout = tf.nn.dropout(h_fc1, keep_prob) #又一個全連接后foftmax分類 W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) y_conv = tf.nn.softmax(tf.matmul(h_fc1_dropout, W_fc2) + b_fc2) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv), reduction_indices=[1])) #AdamOptimizer：Adam優化函數 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #訓練，并且每100個batch計算一次精度 tf.global_variables_initializer().run() for i in range(20000): batch = mnist.train.next_batch(50) if i%100 == 0: train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0}) print("step %d, training accuracy %g" %(i, train_accuracy)) train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5}) #在測試集上測試 print("test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0})) |
補充一下目前三個網絡在mnist上的精度分別為：
無隱含層的softmax：91.5%
加入一個全連接隱含層的感知機：98.1%
此cnn：99.07%
和作者的訓練結果有細微的差異，可能設備不同吧。
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/juanjuan1314/article/details/76650861
