首先，关于神经网络，其实是一个结合很多知识点的一个算法，关于cnn（积卷神经网络）大家需要了解：
下面给出我之前总结的这两个知识点（基于吴恩达的机器学习）
代价函数：
代价函数
代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。
具体的了解请看我的博客：
https://blog.csdn.net/qq_40594554/article/details/97389489
梯度下降：
梯度下降一般讲解采用单变量梯度下降，但是一般在程序中常用多变量梯度下降
单变量梯度下降大家可以了解最小二乘法，多变量梯度下降也是基于上述知识点演化而来，具体讲解可以看我的博客：
https://blog.csdn.net/qq_40594554/article/details/97391667
在这里，我们以上述知识点为基础，了解深度神经网络里面的积卷神经网络：
大家可以看我这两篇了解神经网络相关知识点
神经网络：https://blog.csdn.net/qq_40594554/article/details/97399935
神经网络入门：https://blog.csdn.net/qq_40594554/article/details/97617154
神经网络的一个大致流程如下：
例如：我们有三个数据：x1,x2,x3，我们将其输入到我们的这个神经网络中，我们称L1为输入层，L2为隐藏层，L3为输出层
我们用通俗的话来描述：即为我们的输入层L1输入3个数据，通过3个神经单元a1，a2，a3，其中x1,x2,x3在a1中占有不同的权值，x1,x2,x3在a2中又占有不同的权值，x1,x2,x3在a3中占有不同的权值
通过代价函数求出最优解，即为最优权值，最后得出a1，a2，a3的值，然后a1，a2，a3再通过L3的这个神经单元，通过权值计算得出输出，这就是一个最简单的神经网络，如果不是很理解，大家可以看我上面的博客。
下面我用tensorflow实现普通的神经网络：即为通过几层隐藏层来进行权值确定。
上述中的相关神经元计算，类似于一个黒夹子，计算过程是不显示的我们最后知道的是结果，在传统神经网络计算中，一般计算的神经元是非常多的，所以传统神经网络无法满足，容易出现计算量大，但是准确率低的可能性，于是出现了积卷神经网络！
上图中，我们需要计算的权值非常多，就需要大量的样本训练，我们模型的构建，需要根据数据的大小来建立，防止过拟合，以及欠拟合。
因此，cnn算法通过感受野和权值共享减少了神经网络需要训练的参数个数，如图（大家可以百度了解这是什么意思）：
其实积卷神经网络很容易理解：
他的最简单相关步骤为：积卷层-池化层-积卷层-池化层-....-全连接层
积卷层：数据通过卷积核，按照卷积核的步长，一步一步扫描，得出一个新的特征图
池化层：通过卷积核扫描后得出的特征图，进行池化，实际上池化层也是加强特征图的一个手段
卷积层（建议大家可以百度卷积核是什么）：
池化层（常用的有最大值池化，平均池化）：
实际上通过上述手段主要是来获取和增强特征
至于全连接层，即为通过池化后的结果，通过激励函数后，排除不需要的特征图，然后输出：
我这里给出一个关于手写数字识别的源码：
import tensorflow as tf#9.50 from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist=input_data.read_data_sets("MNNIST_data",one_hot=True)#下载网上的数据集 #print(mnist) #每个批次的大小,每次放入100张图片放入神经网络训练。 batch_size=100 #计算一共有多少批次 n_bach=mnist.train.num_examples//batch_size#//整除 #初始化权值 def weight_variable(shape): inital=tf.truncated_normal(shape,stddev=0.1) return tf.Variable(inital) #初始化偏置值 def bias_variable(shape): initial=tf.constant(0.1,shape=shape) return tf.Variable(initial) #卷积层 def conv2d(x,W): return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') #使用了这个库,tf.nn.conv2d #池化层 def max_pool_2(x): 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])#784列 y=tf.placeholder(tf.float32,[None,10])#0-9,10个数字 #改变x的格式转为4d向量[batch，in_height,in_width,in_channels] x_image=tf.reshape(x,[-1,28,28,1]) #初始化第一个卷积层的权值和偏置值 W_conv1=weight_variable([5,5,1,32])#采用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) h_pool1=max_pool_2(h_conv1)#进行max-pooling #初始化第二个卷积层的权值和偏置值 W_conv2=weight_variable([5,5,32,64])#采用5*5的采样窗口，32个卷积核从1个平面抽取特征 b_conv2=bias_variable([64])#每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_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2) h_pool2=max_pool_2(h_conv2)#进行max-pooling #初始化第一个全连接的权值 W_fcl=weight_variable([7*7*64,1024])#上一场有7*7*64个神经元，全连接层有1024个神经元 b_fcl=bias_variable([1024])#1024个节点 #把池化层2的输出扁平化维一维 h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64]) #求第一个全连接的输出 h_fcl=tf.nn.relu(tf.matmul(h_pool2_flat,W_fcl)+b_fcl) #keep_prob表示神经元的输出概率 keep_prob=tf.placeholder(tf.float32) h_fcl_drop=tf.nn.dropout(h_fcl,keep_prob) #初始化第二个全连接层 W_fc2=weight_variable([1024,10]) b_fc2=bias_variable([10]) #计算输出 prediction=tf.nn.softmax(tf.matmul(h_fcl_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值所在位置 #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()) #把所有图片训练21次 for epoch in range(21): # 执行一次，即为把训练集的所有图片循环一次 for batch in range(n_bach): #获取100张图片，图片数据保存在_xs,标签保存在ys batch_xs,batchys=mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batchys,keep_prob:0.7}) #传进测试集，数据集的数据 acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0}) print("第"+str(epoch)+"准确率："+str(acc))
很容易第一次就可以得出很高的准确率：
希望大家能够看懂cnn算法的流程。我之前的相关博文也在上面，大家可以查看。