简单的卷积神经网络------制作计算图

alltolove

        制作计算图就是完成卷积神经网络的那些个层，代码如下：

1. x=tf.placeholder(tf.float32,[None,3072])
   
2. y=tf.placeholder(tf.int64,[None])
   
3. x_image=tf.reshape(x,(-1,3,32,32))
   
4. x_image=tf.transpose(x_image,perm=[0,2,3,1])
   
5. conv3=tf.layers.conv2d(x_image,
   
6.                        10,
   
7.                        (3,3),
   
8.                        padding='same',
   
9.                        activation=None,
   
10.                        name='conv3',
    
11.                        kernel_initializer=tf.truncated_normal_initializer(stddev=0.02)
    
12.                       )
    
13. bn=tf.layers.batch_normalization(conv3,
    
14.                                  training=True,
    
15. )
    
16. active=tf.nn.elu(bn)
    
17. pooling3=tf.layers.max_pooling2d(active,
    
18.                                  (2,2),
    
19.                                  (2,2),
    
20.                                  name='pool3'
    
21.                                 )
    
22. flatten=tf.layers.flatten(pooling3)
    
23. y_=tf.layers.dense(flatten,10)
    
24. loss=tf.losses.sparse_softmax_cross_entropy(labels=y,logits=y_)
    
25. predict=tf.argmax(y_,1)
    
26. correct_predict=tf.equal(predict,y)
    
27. accuracy=tf.reduce_mean(tf.cast(correct_predict,tf.float64))
    
28. train_op=tf.train.AdamOptimizer(1e-3).minimize(loss)
    
29. init=tf.global_variables_initializer()

复制代码

        首先要把原来一行3072的数据转换成图片的矩阵形式，接下来就是一个卷积层，一个批量归一化层，一个池化层，和一个全连接层，就是最简单的形式，一般卷积神经网的卷积层都是有好几个的，这里为了程序运行速度就简化为一个了。
        最后是求一个损失值，计算一下准确率，然后做一个训练数据（又叫反向传播）的算法AdamOptimizer