如何使用TensorFlow实现卷积神经网络(参数理解)

2018年7月15日 下午1:28

这篇文章的数据集是MNIST(手写)，具体的展示了每个参数设置的根据。
2018年10月29日 下午12:54
这篇文章理解错误的地方我已经改正了。并且添加

1. 这篇文章的代码形式，说明了卷积网络如果整体看成一个函数的话。他的参数有：

   1. 网络设计
      1. 输入图像
      2. 卷积和池化的次数n
      3. 每次的卷积核n个
      4. 每次的池化n个
      5. 第一次全连接的结果个数（1024）
      6. softmax的输入类别（10）
   2. 训练设计
      1. 损失函数
      2. 优化器
         1. 他们两个的参数
      3. bath

2. 关于激活函数：

   1. 没有激活函数的单层感知机就是一个线性函数

3. sofemax接收的是一个n维的单层向量

4. 关于在全连接之前，要将图像变为1D，这是reshape()还有一个行向量-1的原因

   1. 这个matmul是矩阵相乘tf.multiply与tf.matmul的区别 - mumu_1233的博客 - CSDN博客
   2. 我们reshepe之后，结果为n*( 7 * 7 * 64 )，这是一个::二维矩阵::。
      1. 其中n代表n张图片，( 7 * 7 * 64 )代表一张图片
   3. matmul的输入为reshepe的结果。matmul的输出为n*1024
      1. n代表n张照片
      2. 1024代表：每张照片有1024个特征。
      3. 在实际的训练中我们是一张一张图片训练的，但是在TensorFlow中，我们的数据是打包一次给的！！这个差异一定要牢记心中
      4. 全连接层的第一层的作用
   4. 他会将图片一个个的进行全连接操作，这里的-1就代表着n张图片

5. Softmax可以从两个角度去理解

如何使用TensorFlow实现卷积神经网络 - CSDN博客