import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
minist = input_data.read_data_sets("MINIST_data/",one_hot=True) #读出MINIST数据集
sess = tf.InteractiveSession()
# 定义初始化函数，以便重复使用创建权重、偏置、卷积层、池化层。
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
"""
tf.truncated_normal(shape, mean, stddev)
截断的产生正态分布的随机数，即随机数与均值的差值若大于两倍的标准差，则重新生成。
shape，生成张量的维度
stddev，标准差
mean是均值
tf.Variable()参数解释
维护图在执行过程中的状态信息，例如神经网络权重值的变化。
initial_value：默认为None，可以搭配tensorflow随机生成函数.
trainable：默认为True，可以后期被算法优化的。如果不想该变量被优化，改为False。
validate_shape：默认为True，形状不接受更改，如果需要更改，validate_shape=False。
name：默认为None，给变量确定名称。
"""
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
"""
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
value: 是一个必须的值，可以是一个数值，也可以是一个列表；可以是一维的，也可以是多维的。
dtype：数据类型，一般可以是tf.float32, tf.float64等
shape：表示张量的“形状”，即维数以及每一维的大小
name: 可以是任何内容，只要是字符串就行
verify_shape：默认为False，如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错。
"""
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
"""
tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
等于image2column，图像转化为向量。
参数：
input : 输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。（也可以用其它值，但是具体含义不是很理解）
filter： 滤波器，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_weight 为卷积核宽度，in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，out_channel 是卷积核数量。
strides： 卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1
padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围，"VALID"则不考虑
use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true
"""
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
"""
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：
第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
"""
#在设计卷积神经网络结构之前，定义输入的placeholder，x是特征，y_是真实Label。
#由于卷积神经网络会使用到空间结构信息，所以，需要将1D的输入向量转为2D图片结构，即从1*784的形式转换为原始的28*28结构。
#因为只有一个颜色通道，所以最终尺寸为[-1,28,28,1]，其中‘-1’代表样本数量不固定，'1'代表颜色通道数量。
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
x_image = tf.reshape(x, [-1,28,28,1])
"""
tf.placeholder(
dtype,
shape=None,
name=None
)
参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
name：名称
为什么要用placeholder？
Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，
类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。
这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。
我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，
tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。
所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。
等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。
预分配内存
"""
#定义第一个卷积层。
#先使用前面函数进行初始化，包括weights和bias。其中[5,5,1,32]代表滤波器尺寸为5**5，1个颜色通道，32个不同的卷积核。
W_conv1 = weight_variable([5, 5, 1, 32]) #滤波器
b_conv1 = bias_variable([32]) #偏置
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) #卷积层--->RELU层
#conv2d中padding为same为扩充卷积层后的矩阵使输入输出矩阵大小相等
h_pool1 = max_pool_2x2(h_conv1) #RELU层-->池化层
# 定义第二个卷积层。
# 基本与第一个卷积层一样，只是其中的滤波器数量变成64.
W_conv2 = weight_variable([5, 5, 32, 64]) #channel--通道数变为32
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) #dot，点乘，全连接神经网络实现
# 为了减轻过拟合，使用一个Dropout层，通过随机删除神经元，防止过拟合
# 其用法是通过一个placeholder传入keep_prob比率来控制。
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
"""
tf.nn.dropout(
x,
keep_prob,
noise_shape=None,
seed=None,
name=None
)
x：指输入，输入tensor
keep_prob: float类型，每个元素被保留下来的概率，设置神经元被选中的概率,在初始化时keep_prob是一个占位符,
keep_prob = tf.placeholder(tf.float32) 。
tensorflow在run时设置keep_prob具体的值，例如keep_prob: 0.5
noise_shape : 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。
seed : 整形变量，随机数种子。
name：指定该操作的名字
dropout必须设置概率keep_prob，并且keep_prob也是一个占位符，跟输入是一样的
keep_prob = tf.placeholder(tf.float32)
train的时候才是dropout起作用的时候，test的时候不应该让dropout起作用
"""
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)
#全连接后使用softmax激活多分类任务,使用softmax层进行输出.
# 定义损失函数cross_entropy，这里选择Adam优化器。
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
#交叉熵损失函数损失函数计算值
"""
#tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
第一个参数input_tensor： 输入的待降维的tensor;
第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
第四个参数name： 操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用
reduce_sum() 用于计算张量tensor沿着某一维度的和，可以在求和后降维。
tf.reduce_sum(
input_tensor,
axis=None,
keepdims=None,
name=None,
reduction_indices=None,
keep_dims=None)
input_tensor：待求和的tensor;
axis：指定的维，如果不指定，则计算所有元素的总和;
keepdims：是否保持原有张量的维度，设置为True，结果保持输入tensor的形状，设置为False，结果会降低维度，如果不传入这个参数，则系统默认为False;
name：操作的名称;
reduction_indices：在以前版本中用来指定轴，已弃用;
keep_dims：在以前版本中用来设置是否保持原张量的维度，已弃用;
"""
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#Adam优化器
# 继续定义评测准确率操作。
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
"""
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
1、tf.equal(A, B)是对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反正返回False，返回的值的矩阵维度和A是一样的
import tensorflow as tf
import numpy as np
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session() as sess:
print(sess.run(tf.equal(A, B)))
输出：[[ True True True False False]]
2、tf.argmax(input, axis=None, name=None, dimension=None)
此函数是对矩阵按行或列计算最大值，输出最大值的下标
参数
input：输入Tensor
axis：0表示按列，1表示按行
name：名称
dimension：和axis功能一样，默认axis取值优先。新加的字段
返回：Tensor 一般是行或列的最大值下标向量
"""
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
"""
tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换。转成float数组，求平均值
此处是将布尔型转换为float32
"""
#开始训练过程。
tf.global_variables_initializer().run()#初始化模型参数
for i in range(20000):
batch = minist.train.next_batch(50) #取出样本集中50个样本，同时进行训练
if i % 100 == 0:#每一个epoch进行一次测试
train_accuracy = accuracy.eval(feed_dict={
x: batch[0], y_: batch[1], keep_prob: 1.0}) #minist数据集中，0是图片，1是标签，keep-prob为dropout的保留率,feed_dict为为session中placeholder置入参数
print("step %d, training accuracy %g" % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
"""
eval() 其实就是tf.Tensor的Session.run() 的另外一种写法。你上面些的那个代码例子，如果稍微修改一下，加上一个Session context manager：
with tf.Session() as sess:
print(accuracy.eval({x:mnist.test.images,y_: mnist.test.labels}))
其效果和下面的代码是等价的：
with tf.Session() as sess:
print(sess.run(accuracy, {x:mnist.test.images,y_: mnist.test.labels}))
但是要注意的是，eval()只能用于tf.Tensor类对象，也就是有输出的Operation。对于没有输出的Operation, 可以用.run()或者Session.run()。Session.run()没有这个限制。
参数：
feed_dict:一个字典，用来表示tensor被feed的值（联系placeholder一起看）
session:（可选） 用来计算（evaluate）这个tensor的session.要是没有指定的话，那么就会使用默认的session。
返回：
表示“计算”结果值的numpy ndarray
"""
# 全部训练完毕，在最终的测试集上进行全面测试，得到整体的分类准确率。
print("test accuracy %g" % accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
#卷积-》relu-》池化-》卷积-》relu-》池化-》全连接-》relu-》dropout-》全连接-》softmax
#Minist——简单实例
—————————————————————————————————
版权声明：本文为CSDN博主「georgeli_007」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_37608890/article/details/79371347
