卷积层的输出效果：
输入x：[None,784]
x经过reshape变换，得到x_image [None,28,28,1]
x_image经过卷积操作（h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)），得到h_conv1，[None,28,28,32]
h_conv1经过池化(tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME'))，得到h_pool1,[None,14,14,32]
为了理解，对代码进行了部分修改，原代码见本地文件 11 CNN-MNIST
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) #每个批次的大小 batch_size=100 #计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size #初始化权值 def weight_variable(shape): initial=tf.truncated_normal(shape,stddev=0.1)#生成一个截断的正态分布， # shape表示生成张量的维度 return tf.Variable(initial) #tf.Variable()函数用来变量声明 #初始化偏置 def bias_variable(shape): initial=tf.constant(0.1,shape=shape) #constant 为常量 return tf.Variable(initial) #卷积层 def conv2d(x,W): #x input tensor of shape '[batch,in_height,in_width,in_channles]' #W filter / kernel tensor of shape [filter_height,filter_width,in_channels,out_channels] #`strides[0] = strides[3] = 1`. strides[1]代表x方向的步长，strides[2]代表y方向的步长 #padding: A `string` from: `"SAME", "VALID"` return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#2d的意思是二维的卷积操作 #池化层 def max_pool_2x2(x): #ksize [1,x,y,1] ksize 2*2为窗口大小， strides 步长，分别为横向与纵向 return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') #定义两个placeholder x = tf.placeholder(tf.float32,[None,784])#28*28 y = tf.placeholder(tf.float32,[None,10]) #改变x的格式转为4D的向量[batch, in_height, in_width, in_channels]` x_image = tf.reshape(x,[-1,28,28,1]) #因为池化是对图片进行操做，故将矩阵转化为二维图片 # 28*28表示原来图片大小，1表示图片是一维的，如果是彩色的就是3 #初始化第一个卷积层的权值和偏置 W_conv1 = weight_variable([5,5,1,32])#5*5的采样窗口，32个卷积核从1个平面抽取特征 b_conv1 = bias_variable([32])#每一个卷积核一个偏置值 #把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数 h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1) #得到第一次卷积后的结果 h_pool1 = max_pool_2x2(h_conv1)#进行max-pooling #初始化第二个卷积层的权值和偏置 W_conv2 = weight_variable([5,5,32,64])#5*5的采样窗口，64个卷积核从32个平面抽取特征 b_conv2 = bias_variable([64])#每一个卷积核一个偏置值 #把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数 h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2)#进行max-pooling #28*28的图片第一次卷积后还是28*28（数组变小了，但是图像大小不变），第一次池化后变为14*14 #第二次卷积后为14*14（卷积不会改变平面的大小），第二次池化后变为了7*7 #进过上面操作后得到64张7*7的平面 #初始化第一个全连接层的权值 W_fc1 = weight_variable([7*7*64,512])#上一层有7*7*64个神经元，全连接层有1024个神经元 b_fc1 = bias_variable([512])#1024个节点 #把池化层2的输出扁平化为1维 h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64]) #求第一个全连接层的输出 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1) #keep_prob用来表示神经元的输出概率 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob) #初始化第二个全连接层 W_fc2 = weight_variable([512,10]) b_fc2 = bias_variable([10]) #计算输出，通过softmax层，对第二个全连接层的输出进行概率分类 prediction = tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2) + b_fc2) #交叉熵代价函数 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #使用AdamOptimizer进行优化 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) #结果存放在一个布尔列表中 correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(y,1))#argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for epoch in range(1): for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) print("batch:", batch) b=sess.run(W_conv2,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7}) print("W_conv2:", b) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7}) # k=sess.run(x_image[1]) # print("x_image:",k) # a = sess.run(x_image[1]) # print("x_image:", a) print("prediction:",prediction.shape) acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0}) print("Iter "+str(epoch)+", Testing Accuracy= "+str(acc))