用tensorflow搭cnn - notes

Posted 2020-09-30 烧鸭饭真好吃

一次进步一点点，滴水穿石头...估计我也老了

密集连接层

就是摊平，reshape

然后加上一层w, b , so easy

卷积操作

先写个定义w和b的函数

卷积是已经包装好的函数，只需要传入x和w就可以自动卷了

 

第二层卷积层承接的是第一层的数量

如果第一层的shape是[5,5,1,32] ， 第三个数是原始图片的通道

第二层就该是[5,5,32,64] ， 第三个数是第一层的卷积核数量

卷积和pool层的参数数量变化

tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding=\'SAME\')
把 x按照W的尺寸来卷积，
strides等于1，意味着图片的size都没变

pool也是，如果是2x2的pool，相当于把图片size长宽都除以2，
两次pool之后28x28变成7x7

上一层的feature maps被一个可学习的卷积核进行卷积

mj是输入的点，

对于每一个输出对点，都有一个完全不同对卷积核

所以我猜，

　　W就是这里的k, 是要学习和更新的权重，一个卷积核就是一块区域(4x4=16)对应一个核(16个参数)，再加上一个b

　　两个核就是会生成两个不同的output点，两个不同的核，参数又翻倍

　　如果stride=1，那么一个32x32的图片就有，28x28个小区域，每个区域3个卷积核的话，就有28x28x3x16个参数，爆炸...

不对，更新认知

　　一个卷积核，应该说，同一个卷积核就卷积了 这所有的28x28个小区域，而不是每个点换一个卷积核，所以现在只有3x16个参数了，nice