TensorFlow安装教程与卷积神经网络模型构建

前言

本文主要介绍简单的TensorFlow安装以及一个卷积模型的小例子，便于读者理解。

1：Tensorflow 安装：

首先目前已学习的方法中有两种方法可用于安装TensorFlow：一是pip，二是Anaconda。

另外 TensorFlow还有cpu和Gpu两个版本。

使用pip安装

1）下载安装Python

2）打开windows的命令行窗口，安装CPU版本

pip installtensorflow

安装GPU版本

Pip install tensorflow-gpu

之后验证是否安装了 TensorFlow 可以尝试一下代码

>>> importtensorflow as tf

>>> hello = tf.constant('Hello, TensorFlow!')

>>> sess = tf.Session()

>>> print(sess.run(hello))

之后我们来稍微了解一下卷积模型。

2：卷积：(Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算式，表征函数f 与g经过翻转和平移的重叠部分的面积。卷积是在信号与线性系统的基础上或背景中出现的，脱离这个背景单独谈卷积是没有任何意义的。信号与线性系统，讨论的就是信号经过一个线性系统以后发生的变化（就是输入输出和所经过的所谓系统，这三者之间的数学关系）。都是要根据我们需要待处理的信号形式，来设计所谓的系统传递函数，那么这个系统的传递函数和输入信号，在数学上的形式就是所谓的卷积关系。

先看一下卷积实现原理，对于in_c个通道的输入图，如果需要经过卷积后输出out_c个通道图，那么总共需要in_c * out_c个卷积核参与运算。

此图中输入的是一个5*5*4的表格，那么对应输出的每个通道，都需要其度与原表格一致即四个卷积核，而由于5*5的表格经过3*3卷积后可为一个3*3的子表格，所以，最后就是分为 3*4个卷积核。

举个栗子：

2个通道，5*5的输入定义如下：

input_data=[

             [[1,0,1,2,1],

              [0,2,1,0,1],

              [1,1,0,2,0],

              [2,2,1,1,0],

              [2,0,1,2,0]],

              [[2,0,2,1,1],

               [0,1,0,0,2],

               [1,0,0,2,1],

               [1,1,2,1,0],

               [1,0,1,1,1]],

           ]

卷积核，shape=[in_c,k,k]=[2,3,3]

weights_data=[

              [[ 1, 0, 1],

               [-1, 1, 0],

               [ 0,-1, 0]],

              [[-1, 0, 1],

               [ 0, 0, 1],

               [ 1, 1, 1]]

            ]

上面定义的数据，在接下来的计算对应关系将按下图所描述的方式进行。

defget_shape(tensor):

   [s1,s2,s3]= tensor.get_shape()

   s1=int(s1)

   s2=int(s2)

   s3=int(s3)

return s1,s2,s3

defchw2hwc(chw_tensor):

   [c,h,w]=get_shape(chw_tensor)

   cols=[]

for i in range(c):

       #每个通道里面的二维数组转为[w*h,1]即1列

       line = tf.reshape(chw_tensor[i],[h*w,1])

       cols.append(line)

   #横向连接，即将所有竖直数组横向排列连接

   input = tf.concat(cols,1)#[w*h,c]

   #[w*h,c]-->[h,w,c]

   input = tf.reshape(input,[h,w,c])

return input

同理，Tensorflow使用卷积核的时候，使用的格式是[k,k,in_c,out_c]。而我们在定义卷积核的时候，是按[in_c,k,k]的方式定义的，这里需要将[in_c,k,k]转为[k,k,in_c]，由于为了简化工作量，我们规定输出为1个通道，即out_c=1。所以这里我们可以直接简单地对weights_data调用chw2hwc，再在第3维度扩充一下即可。

最后输出结果为：

[[ 2.  0.  2.  4.  0.]

[ 1.  4.  4.  3.  5.]

[ 4.  3.  5.  9. -1.]

[ 3.  4.  6.  2.  1.]

[ 5.  3.  5.  1. -2.]]

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删