by Magnus Erik Hvass Pedersen / GitHub / Videos on YouTube
中文翻譯 thrillerist / Github
如有轉載，請附上本文連結。
介紹
先前的教程展示了一個簡單的線性模型，對MNIST資料集中手寫數字的識別率達到了91%。
在這個教程中，我們會在TensorFlow中實現一個簡單的卷積神經網路，它能達到大約99%的分類準確率，如果你做了一些建議的練習，準確率還可能更高。
卷積神經網路在一張輸入圖片上移動一個小的濾波器。這意味著在遍歷整張影象來識別模式時，要重複使用這些濾波器。這讓卷積神經網路在擁有相同數量的變數時比全連線網路（Fully-Connected）更強大，也讓卷積神經網路訓練得更快。
你應該熟悉基本的線性代數、Python和Jupyter Notebook編輯器。如果你是TensorFlow新手，在本教程之前應該先學習第一篇教程。
流程圖
下面的圖表直接顯示了之後實現的卷積神經網路中資料的傳遞。
from IPython.display import Image
Image('images/02_network_flowchart.png')複製程式碼
輸入影象在第一層卷積層裡使用權重過濾器處理。結果在16張新圖裡，每張代表了卷積層裡一個過濾器（的處理結果）。影象經過降取樣，解析度從28x28減少到14x14。
16張小圖在第二個卷積層中處理。這16個通道以及這層輸出的每個通道都需要一個過濾權重。總共有36個輸出，所以在第二個卷積層有16 x 36 = 576個濾波器。輸出圖再一次降取樣到7x7個畫素。
第二個卷積層的輸出是36張7x7畫素的影象。它們被轉換到一個長為7 x 7 x 36 = 1764的向量中去，它作為一個有128個神經元（或元素）的全連線網路的輸入。這些又輸入到另一個有10個神經元的全連線層中，每個神經元代表一個類別，用來確定影象的類別，即影象上的數字。
卷積濾波一開始是隨機挑選的，因此分類也是隨機完成的。根據交叉熵（cross-entropy）來測量輸入圖預測值和真實類別間的錯誤。然後優化器用鏈式法則自動地將這個誤差在卷積網路中傳遞，更新濾波權重來提升分類質量。這個過程迭代了幾千次，直到分類誤差足夠低。
這些特定的濾波權重和中間影象是一個優化結果，和你執行程式碼所看到的可能會有所不同。
注意，這些在TensorFlow上的計算是在一部分影象上執行，而非單獨的一張圖，這使得計算更有效。也意味著在TensorFlow上實現時，這個流程圖實際上會有更多的資料維度。
卷積層
下面的圖片展示了在第一個卷積層中處理影象的基本思想。輸入圖片描繪了數字7，這裡顯示了它的四張拷貝，我們可以很清晰的看到濾波器是如何在影象的不同位置移動。在濾波器的每個位置上，計算濾波器以及濾波器下方影象畫素的點乘，得到輸出影象的一個畫素。因此，在整張輸入影象上移動時，會有一張新的影象生成。
紅色的濾波權重表示濾波器對輸入圖的黑色畫素有正響應，藍色的代表有負響應。
在這個例子中，很明顯這個濾波器識別數字7的水平線段，在輸出圖中可以看到它對線段的強烈響應。
Image('images/02_convolution.png')複製程式碼
濾波器遍歷輸入圖的移動步長稱為stride。在水平和豎直方向各有一個stride。
在下面的原始碼中，兩個方向的stride都設為1，這說明濾波器從輸入影象的左上角開始，下一步移動到右邊1個畫素去。當濾波器到達影象的右邊時，它會返回最左邊，然後向下移動1個畫素。持續這個過程，直到濾波器到達輸入影象的右下角，同時，也生成了整張輸出圖片。
當濾波器到達輸入圖的右端或底部時，它會用零（白色畫素）來填充。因為輸出圖要和輸入圖一樣大。
此外，卷積層的輸出可能會傳遞給修正線性單元（ReLU），它用來保證輸出是正值，將負值置為零。輸出還會用最大池化(max-pooling)進行降取樣，它使用了2x2的小視窗，只保留畫素中的最大值。這讓輸入圖解析度減小一半，比如從28x28到14x14。
第二個卷積層更加複雜，因為它有16個輸入通道。我們想給每個通道一個單獨的濾波，因此需要16個。另外，我們想從第二個卷積層得到36個輸出，因此總共需要16 x 36 = 576個濾波器。要理解這些如何工作可能有些困難。
匯入
%matplotlib inline
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
from sklearn.metrics import confusion_matrix
import time
from datetime import timedelta
import math複製程式碼使用Python3.5.2（Anaconda）開發，TensorFlow版本是：
tf.__version__複製程式碼'0.12.0-rc0'
神經網路的配置
方便起見，在這裡定義神經網路的配置，你可以很容易找到或改變這些數值，然後重新執行Notebook。
# Convolutional Layer 1.
filter_size1 = 5 # Convolution filters are 5 x 5 pixels.
num_filters1 = 16 # There are 16 of these filters.
# Convolutional Layer 2.
filter_size2 = 5 # Convolution filters are 5 x 5 pixels.
num_filters2 = 36 # There are 36 of these filters.
# Fully-connected layer.
fc_size = 128 # Number of neurons in fully-connected layer.複製程式碼載入資料
MNIST資料集大約12MB，如果沒在資料夾中找到就會自動下載。
from tensorflow.examples.tutorials.mnist import input_data
data = input_data.read_data_sets('data/MNIST/', one_hot=True)複製程式碼Extracting data/MNIST/train-images-idx3-ubyte.gz
Extracting data/MNIST/train-labels-idx1-ubyte.gz
Extracting data/MNIST/t10k-images-idx3-ubyte.gz
Extracting data/MNIST/t10k-labels-idx1-ubyte.gz
現在已經載入了MNIST資料集，它由70,000張影象和對應的標籤（比如影象的類別）組成。資料集分成三份互相獨立的子集。我們在教程中只用訓練集和測試集。
print("Size of:")
print("- Training-set:\t\t{}".format(len(data.train.labels)))
print("- Test-set:\t\t{}".format(len(data.test.labels)))
print("- Validation-set:\t{}".format(len(data.validation.labels)))複製程式碼Size of:
-Training-set: 55000
-Test-set: 10000
-Validation-set: 5000
型別標籤使用One-Hot編碼，這意外每個標籤是長為10的向量，除了一個元素之外，其他的都為零。這個元素的索引就是類別的數字，即相應圖片中畫的數字。我們也需要測試資料集類別數字的整型值，用下面的方法來計算。
data.test.cls = np.argmax(data.test.labels, axis=1)複製程式碼資料維度
在下面的原始碼中，有很多地方用到了資料維度。它們只在一個地方定義，因此我們可以在程式碼中使用這些數字而不是直接寫數字。
# We know that MNIST images are 28 pixels in each dimension.
img_size = 28
# Images are stored in one-dimensional arrays of this length.
img_size_flat = img_size * img_size
# Tuple with height and width of images used to reshape arrays.
img_shape = (img_size, img_size)
# Number of colour channels for the images: 1 channel for gray-scale.
num_channels = 1
# Number of classes, one class for each of 10 digits.
num_classes = 10複製程式碼用來繪製圖片的幫助函式
這個函式用來在3x3的柵格中畫9張影象，然後在每張影象下面寫出真實類別和預測類別。
def plot_images(images, cls_true, cls_pred=None):
assert len(images) == len(cls_true) == 9
# Create figure with 3x3 sub-plots.
fig, axes = plt.subplots(3, 3)
fig.subplots_adjust(hspace=0.3, wspace=0.3)
for i, ax in enumerate(axes.flat):
# Plot image.
ax.imshow(images[i].reshape(img_shape), cmap='binary')
# Show true and predicted classes.
if cls_pred is None:
xlabel = "True: {0}".format(cls_true[i])
else:
xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i])
# Show the classes as the label on the x-axis.
ax.set_xlabel(xlabel)
# Remove ticks from the plot.
ax.set_xticks([])
ax.set_yticks([])
# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()複製程式碼繪製幾張影象來看看資料是否正確
# Get the first images from the test-set.
images = data.test.images[0:9]
# Get the true classes for those images.
cls_true = data.test.cls[0:9]
# Plot the images and labels using our helper-function above.
plot_images(images=images, cls_true=cls_true)複製程式碼
TensorFlow圖
TensorFlow的全部目的就是使用一個稱之為計算圖（computational graph）的東西，它會比直接在Python中進行相同計算量要高效得多。TensorFlow比Numpy更高效，因為TensorFlow瞭解整個需要執行的計算圖，然而Numpy只知道某個時間點上唯一的數學運算。
TensorFlow也能夠自動地計算需要優化的變數的梯度，使得模型有更好的表現。這是由於圖是簡單數學表示式的結合，因此整個圖的梯度可以用鏈式法則推匯出來。
TensorFlow還能利用多核CPU和GPU，Google也為TensorFlow製造了稱為TPUs（Tensor Processing Units）的特殊晶片，它比GPU更快。
一個TensorFlow圖由下面幾個部分組成，後面會詳細描述：
- 佔位符變數（Placeholder）用來改變圖的輸入。
- 模型變數（Model）將會被優化，使得模型表現得更好。
- 模型本質上就是一些數學函式，它根據Placeholder和模型的輸入變數來計算一些輸出。
- 一個cost度量用來指導變數的優化。
- 一個優化策略會更新模型的變數。
另外，TensorFlow圖也包含了一些除錯狀態，比如用TensorBoard列印log資料，本教程不涉及這些。
建立新變數的幫助函式
函式用來根據給定大小建立TensorFlow變數，並將它們用隨機值初始化。需注意的是在此時並未完成初始化工作，僅僅是在TensorFlow圖裡定義它們。
def new_weights(shape):
return tf.Variable(tf.truncated_normal(shape, stddev=0.05))複製程式碼def new_biases(length):
return tf.Variable(tf.constant(0.05, shape=[length]))複製程式碼建立卷積層的幫助函式
這個函式為TensorFlow在計算圖裡建立了新的卷積層。這裡並沒有執行什麼計算，只是在TensorFlow圖裡新增了數學公式。
假設輸入的是四維的張量，各個維度如下：
- 影象數量
- 每張影象的Y軸
- 每張影象的X軸
- 每張影象的通道數
輸入通道可能是彩色通道，當輸入是前面的卷積層生成的時候，它也可能是濾波通道。
輸出是另外一個4通道的張量，如下：
- 影象數量，與輸入相同
- 每張影象的Y軸。如果用到了2x2的池化，是輸入影象寬高的一半。
- 每張影象的X軸。同上。
- 卷積濾波生成的通道數。
def new_conv_layer(input, # The previous layer.
num_input_channels, # Num. channels in prev. layer.
filter_size, # Width and height of each filter.
num_filters, # Number of filters.
use_pooling=True): # Use 2x2 max-pooling.
# Shape of the filter-weights for the convolution.
# This format is determined by the TensorFlow API.
shape = [filter_size, filter_size, num_input_channels, num_filters]
# Create new weights aka. filters with the given shape.
weights = new_weights(shape=shape)
# Create new biases, one for each filter.
biases = new_biases(length=num_filters)
# Create the TensorFlow operation for convolution.
# Note the strides are set to 1 in all dimensions.
# The first and last stride must always be 1,
# because the first is for the image-number and
# the last is for the input-channel.
# But e.g. strides=[1, 2, 2, 1] would mean that the filter
# is moved 2 pixels across the x- and y-axis of the image.
# The padding is set to 'SAME' which means the input image
# is padded with zeroes so the size of the output is the same.
layer = tf.nn.conv2d(input=input,
filter=weights,
strides=[1, 1, 1, 1],
padding='SAME')
# Add the biases to the results of the convolution.
# A bias-value is added to each filter-channel.
layer += biases
# Use pooling to down-sample the image resolution?
if use_pooling:
# This is 2x2 max-pooling, which means that we
# consider 2x2 windows and select the largest value
# in each window. Then we move 2 pixels to the next window.
layer = tf.nn.max_pool(value=layer,
ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1],
padding='SAME')
# Rectified Linear Unit (ReLU).
# It calculates max(x, 0) for each input pixel x.
# This adds some non-linearity to the formula and allows us
# to learn more complicated functions.
layer = tf.nn.relu(layer)
# Note that ReLU is normally executed before the pooling,
# but since relu(max_pool(x)) == max_pool(relu(x)) we can
# save 75% of the relu-operations by max-pooling first.
# We return both the resulting layer and the filter-weights
# because we will plot the weights later.
return layer, weights複製程式碼轉換一個層的幫助函式
卷積層生成了4維的張量。我們會在卷積層之後新增一個全連線層，因此我們需要將這個4維的張量轉換成可被全連線層使用的2維張量。
def flatten_layer(layer):
# Get the shape of the input layer.
layer_shape = layer.get_shape()
# The shape of the input layer is assumed to be:
# layer_shape == [num_images, img_height, img_width, num_channels]
# The number of features is: img_height * img_width * num_channels
# We can use a function from TensorFlow to calculate this.
num_features = layer_shape[1:4].num_elements()
# Reshape the layer to [num_images, num_features].
# Note that we just set the size of the second dimension
# to num_features and the size of the first dimension to -1
# which means the size in that dimension is calculated
# so the total size of the tensor is unchanged from the reshaping.
layer_flat = tf.reshape(layer, [-1, num_features])
# The shape of the flattened layer is now:
# [num_images, img_height * img_width * num_channels]
# Return both the flattened layer and the number of features.
return layer_flat, num_features複製程式碼建立一個全連線層的幫助函式
這個函式為TensorFlow在計算圖中建立了一個全連線層。這裡也不進行任何計算，只是往TensorFlow圖中新增數學公式。
輸入是大小為[num_images, num_inputs]的二維張量。輸出是大小為[num_images, num_outputs]的2維張量。
def new_fc_layer(input, # The previous layer.
num_inputs, # Num. inputs from prev. layer.
num_outputs, # Num. outputs.
use_relu=True): # Use Rectified Linear Unit (ReLU)?
# Create new weights and biases.
weights = new_weights(shape=[num_inputs, num_outputs])
biases = new_biases(length=num_outputs)
# Calculate the layer as the matrix multiplication of
# the input and weights, and then add the bias-values.
layer = tf.matmul(input, weights) + biases
# Use ReLU?
if use_relu:
layer = tf.nn.relu(layer)
return layer複製程式碼佔位符 （Placeholder）變數
Placeholder是作為圖的輸入，每次我們執行圖的時候都可能會改變它們。將這個過程稱為feeding placeholder變數，後面將會描述它。
首先我們為輸入影象定義placeholder變數。這讓我們可以改變輸入到TensorFlow圖中的影象。這也是一個張量（tensor），代表一個多維向量或矩陣。資料型別設定為float32，形狀設為[None, img_size_flat]，None代表tensor可能儲存著任意數量的影象，每張圖象是一個長度為img_size_flat的向量。
x = tf.placeholder(tf.float32, shape=[None, img_size_flat], name='x')複製程式碼卷積層希望x被編碼為4維張量，因此我們需要將它的形狀轉換至[num_images, img_height, img_width, num_channels]。注意img_height == img_width == img_size，如果第一維的大小設為-1， num_images的大小也會被自動推匯出來。轉換運算如下：
x_image = tf.reshape(x, [-1, img_size, img_size, num_channels])複製程式碼接下來我們為輸入變數x中的影象所對應的真實標籤定義placeholder變數。變數的形狀是[None, num_classes]，這代表著它儲存了任意數量的標籤，每個標籤是長度為num_classes的向量，本例中長度為10。
y_true = tf.placeholder(tf.float32, shape=[None, 10], name='y_true')複製程式碼我們也可以為class-number提供一個placeholder，但這裡用argmax來計算它。這裡只是TensorFlow中的一些操作，沒有執行什麼運算。
y_true_cls = tf.argmax(y_true, dimension=1)複製程式碼卷積層 1
建立第一個卷積層。將x_image當作輸入，建立num_filters1個不同的濾波器，每個濾波器的寬高都與 filter_size1相等。最終我們會用2x2的max-pooling將影象降取樣，使它的尺寸減半。
layer_conv1, weights_conv1 = \
new_conv_layer(input=x_image,
num_input_channels=num_channels,
filter_size=filter_size1,
num_filters=num_filters1,
use_pooling=True)複製程式碼檢查卷積層輸出張量的大小。它是（？,14, 14, 16），這代表著有任意數量的影象（？代表數量），每張影象有14個畫素的寬和高，有16個不同的通道，每個濾波器各有一個通道。
layer_conv1複製程式碼卷積層 2
建立第二個卷積層，它將第一個卷積層的輸出作為輸入。輸入通道的數量對應著第一個卷積層的濾波數。
layer_conv2, weights_conv2 = \
new_conv_layer(input=layer_conv1,
num_input_channels=num_filters1,
filter_size=filter_size2,
num_filters=num_filters2,
use_pooling=True)複製程式碼核對一下這個卷積層輸出張量的大小。它的大小是（？， 7， 7， 36）,其中？也代表著任意數量的影象，每張圖有7畫素的寬高，每個濾波器有36個通道。
layer_conv2複製程式碼轉換層
這個卷積層輸出一個4維張量。現在我們想將它作為一個全連線網路的輸入，這就需要將它轉換成2維張量。
layer_flat, num_features = flatten_layer(layer_conv2)複製程式碼這個張量的大小是（？， 1764），意味著共有一定數量的影象，每張影象被轉換成長為1764的向量。其中1764 = 7 x 7 x 36。
layer_flat複製程式碼num_features複製程式碼1764
全連線層 1
往網路中新增一個全連線層。輸入是一個前面卷積得到的被轉換過的層。全連線層中的神經元或節點數為fc_size。我們可以用ReLU來學習非線性關係。
layer_fc1 = new_fc_layer(input=layer_flat,
num_inputs=num_features,
num_outputs=fc_size,
use_relu=True)複製程式碼全連線層的輸出是一個大小為（？，128）的張量，？代表著一定數量的影象，並且fc_size == 128。
layer_fc1複製程式碼全連線層 2
新增另外一個全連線層，它的輸出是一個長度為10的向量，它確定了輸入圖是屬於哪個類別。這層並沒有用到ReLU。
layer_fc2 = new_fc_layer(input=layer_fc1,
num_inputs=fc_size,
num_outputs=num_classes,
use_relu=False)複製程式碼layer_fc2複製程式碼預測類別
第二個全連線層估算了輸入圖有多大的可能屬於10個類別中的其中一個。然而，這是很粗略的估計並且很難解釋，因為數值可能很小或很大，因此我們會對它們做歸一化，將每個元素限制在0到1之間，並且相加為1。這用一個稱為softmax的函式來計算的，結果儲存在y_pred中。
y_pred = tf.nn.softmax(layer_fc2)複製程式碼類別數字是最大元素的索引。
y_pred_cls = tf.argmax(y_pred, dimension=1)複製程式碼優化損失函式
為了使模型更好地對輸入影象進行分類，我們必須改變weights和biases變數。首先我們需要對比模型y_pred的預測輸出和期望輸出的y_true，來了解目前模型的效能如何。
交叉熵（cross-entropy）是在分類中使用的效能度量。交叉熵是一個常為正值的連續函式，如果模型的預測值精準地符合期望的輸出，它就等於零。因此，優化的目的就是通過改變網路層的變數來最小化交叉熵。
TensorFlow有一個內建的計算交叉熵的函式。這個函式內部計算了softmax，所以我們要用layer_fc2的輸出而非直接用y_pred,因為y_pred上已經計算了softmax。
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=layer_fc2,
labels=y_true)複製程式碼我們為每個影象分類計算了交叉熵，所以有一個當前模型在每張圖上表現的度量。但是為了用交叉熵來指導模型變數的優化，我們需要一個額外的標量值，因此簡單地利用所有影象分類交叉熵的均值。
cost = tf.reduce_mean(cross_entropy)複製程式碼優化方法
既然我們有一個需要被最小化的損失度量，接著就可以建立優化一個優化器。這個例子中，我們使用的是梯度下降的變體AdamOptimizer。
優化過程並不是在這裡執行。實際上，還沒計算任何東西，我們只是往TensorFlow圖中新增了優化器，以便之後的操作。
optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cost)複製程式碼效能度量
我們需要另外一些效能度量，來向使用者展示這個過程。
這是一個布林值向量，代表預測型別是否等於每張圖片的真實型別。
correct_prediction = tf.equal(y_pred_cls, y_true_cls)複製程式碼上面的計算先將布林值向量型別轉換成浮點型向量，這樣子False就變成0，True變成1，然後計算這些值的平均數，以此來計算分類的準確度。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))複製程式碼執行TensorFlow
建立TensorFlow會話（session）
一旦建立了TensorFlow圖，我們需要建立一個TensorFlow會話，用來執行圖。
session = tf.Session()複製程式碼初始化變數
我們需要在開始優化weights和biases變數之前對它們進行初始化。
session.run(tf.global_variables_initializer())複製程式碼用來優化迭代的幫助函式
在訓練集中有50,000張圖。用這些影象計算模型的梯度會花很多時間。因此我們利用隨機梯度下降的方法，它在優化器的每次迭代裡只用到了一小部分的影象。
如果記憶體耗盡導致電腦當機或變得很慢，你應該試著減少這些數量，但同時可能還需要更優化的迭代。
train_batch_size = 64複製程式碼函式執行了多次的優化迭代來逐步地提升網路層的變數。在每次迭代中，從訓練集中選擇一批新的資料，然後TensorFlow用這些訓練樣本來執行優化器。每100次迭代會列印出相關資訊。
# Counter for total number of iterations performed so far.
total_iterations = 0
def optimize(num_iterations):
# Ensure we update the global variable rather than a local copy.
global total_iterations
# Start-time used for printing time-usage below.
start_time = time.time()
for i in range(total_iterations,
total_iterations + num_iterations):
# Get a batch of training examples.
# x_batch now holds a batch of images and
# y_true_batch are the true labels for those images.
x_batch, y_true_batch = data.train.next_batch(train_batch_size)
# Put the batch into a dict with the proper names
# for placeholder variables in the TensorFlow graph.
feed_dict_train = {x: x_batch,
y_true: y_true_batch}
# Run the optimizer using this batch of training data.
# TensorFlow assigns the variables in feed_dict_train
# to the placeholder variables and then runs the optimizer.
session.run(optimizer, feed_dict=feed_dict_train)
# Print status every 100 iterations.
if i % 100 == 0:
# Calculate the accuracy on the training-set.
acc = session.run(accuracy, feed_dict=feed_dict_train)
# Message for printing.
msg = "Optimization Iteration: {0:>6}, Training Accuracy: {1:>6.1%}"
# Print it.
print(msg.format(i + 1, acc))
# Update the total number of iterations performed.
total_iterations += num_iterations
# Ending time.
end_time = time.time()
# Difference between start and end-times.
time_dif = end_time - start_time
# Print the time-usage.
print("Time usage: " + str(timedelta(seconds=int(round(time_dif)))))複製程式碼用來繪製錯誤樣本的幫助函式
函式用來繪製測試集中被誤分類的樣本。
def plot_example_errors(cls_pred, correct):
# This function is called from print_test_accuracy() below.
# cls_pred is an array of the predicted class-number for
# all images in the test-set.
# correct is a boolean array whether the predicted class
# is equal to the true class for each image in the test-set.
# Negate the boolean array.
incorrect = (correct == False)
# Get the images from the test-set that have been
# incorrectly classified.
images = data.test.images[incorrect]
# Get the predicted classes for those images.
cls_pred = cls_pred[incorrect]
# Get the true classes for those images.
cls_true = data.test.cls[incorrect]
# Plot the first 9 images.
plot_images(images=images[0:9],
cls_true=cls_true[0:9],
cls_pred=cls_pred[0:9])複製程式碼繪製混淆（confusion）矩陣的幫助函式
def plot_confusion_matrix(cls_pred):
# This is called from print_test_accuracy() below.
# cls_pred is an array of the predicted class-number for
# all images in the test-set.
# Get the true classifications for the test-set.
cls_true = data.test.cls
# Get the confusion matrix using sklearn.
cm = confusion_matrix(y_true=cls_true,
y_pred=cls_pred)
# Print the confusion matrix as text.
print(cm)
# Plot the confusion matrix as an image.
plt.matshow(cm)
# Make various adjustments to the plot.
plt.colorbar()
tick_marks = np.arange(num_classes)
plt.xticks(tick_marks, range(num_classes))
plt.yticks(tick_marks, range(num_classes))
plt.xlabel('Predicted')
plt.ylabel('True')
# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()複製程式碼展示效能的幫助函式
函式用來列印測試集上的分類準確度。
為測試集上的所有圖片計算分類會花費一段時間，因此我們直接用這個函式來呼叫上面的結果，這樣就不用每次都重新計算了。
這個函式可能會佔用很多電腦記憶體，這也是為什麼將測試集分成更小的幾個部分。如果你的電腦記憶體比較小或當機了，就要試著降低batch-size。
# Split the test-set into smaller batches of this size.
test_batch_size = 256
def print_test_accuracy(show_example_errors=False,
show_confusion_matrix=False):
# Number of images in the test-set.
num_test = len(data.test.images)
# Allocate an array for the predicted classes which
# will be calculated in batches and filled into this array.
cls_pred = np.zeros(shape=num_test, dtype=np.int)
# Now calculate the predicted classes for the batches.
# We will just iterate through all the batches.
# There might be a more clever and Pythonic way of doing this.
# The starting index for the next batch is denoted i.
i = 0
while i < num_test:
# The ending index for the next batch is denoted j.
j = min(i + test_batch_size, num_test)
# Get the images from the test-set between index i and j.
images = data.test.images[i:j, :]
# Get the associated labels.
labels = data.test.labels[i:j, :]
# Create a feed-dict with these images and labels.
feed_dict = {x: images,
y_true: labels}
# Calculate the predicted class using TensorFlow.
cls_pred[i:j] = session.run(y_pred_cls, feed_dict=feed_dict)
# Set the start-index for the next batch to the
# end-index of the current batch.
i = j
# Convenience variable for the true class-numbers of the test-set.
cls_true = data.test.cls
# Create a boolean array whether each image is correctly classified.
correct = (cls_true == cls_pred)
# Calculate the number of correctly classified images.
# When summing a boolean array, False means 0 and True means 1.
correct_sum = correct.sum()
# Classification accuracy is the number of correctly classified
# images divided by the total number of images in the test-set.
acc = float(correct_sum) / num_test
# Print the accuracy.
msg = "Accuracy on Test-Set: {0:.1%} ({1} / {2})"
print(msg.format(acc, correct_sum, num_test))
# Plot some examples of mis-classifications, if desired.
if show_example_errors:
print("Example errors:")
plot_example_errors(cls_pred=cls_pred, correct=correct)
# Plot the confusion matrix, if desired.
if show_confusion_matrix:
print("Confusion Matrix:")
plot_confusion_matrix(cls_pred=cls_pred)複製程式碼優化之前的效能
測試集上的準確度很低，這是由於模型只做了初始化，並沒做任何優化，所以它只是對影象做隨機分類。
print_test_accuracy()複製程式碼Accuracy on Test-Set: 10.9% (1093 / 10000)
1次迭代後的效能
做了一次優化後，此時優化器的學習率很低，效能其實並沒有多大提升。
optimize(num_iterations=1)複製程式碼Optimization Iteration: 1, Training Accuracy: 6.2%
Time usage: 0:00:00
print_test_accuracy()複製程式碼Accuracy on Test-Set: 13.0% (1296 / 10000)
100次迭代優化後的效能
100次優化迭代之後，模型顯著地提升了分類的準確度。
optimize(num_iterations=99) # We already performed 1 iteration above.複製程式碼Time usage: 0:00:00
print_test_accuracy(show_example_errors=True)複製程式碼Accuracy on Test-Set: 66.6% (6656 / 10000)
Example errors:
1000次優化迭代後的效能
1000次優化迭代之後，模型在測試集上的準確度超過了90%。
optimize(num_iterations=900) # We performed 100 iterations above.複製程式碼Optimization Iteration: 101, Training Accuracy: 71.9%
Optimization Iteration: 201, Training Accuracy: 76.6%
Optimization Iteration: 301, Training Accuracy: 71.9%
Optimization Iteration: 401, Training Accuracy: 85.9%
Optimization Iteration: 501, Training Accuracy: 89.1%
Optimization Iteration: 601, Training Accuracy: 95.3%
Optimization Iteration: 701, Training Accuracy: 90.6%
Optimization Iteration: 801, Training Accuracy: 92.2%
Optimization Iteration: 901, Training Accuracy: 95.3%
Time usage: 0:00:03
print_test_accuracy(show_example_errors=True)複製程式碼Accuracy on Test-Set: 93.1% (9308 / 10000)
Example errors:
10,000次優化迭代後的效能
經過10,000次優化迭代後，測試集上的分類準確率高達99%。
optimize(num_iterations=9000) # We performed 1000 iterations above.複製程式碼Optimization Iteration: 1001, Training Accuracy: 98.4%
Optimization Iteration: 1101, Training Accuracy: 93.8%
Optimization Iteration: 1201, Training Accuracy: 92.2%
Optimization Iteration: 1301, Training Accuracy: 95.3%
Optimization Iteration: 1401, Training Accuracy: 93.8%
Optimization Iteration: 1501, Training Accuracy: 93.8%
Optimization Iteration: 1601, Training Accuracy: 92.2%
Optimization Iteration: 1701, Training Accuracy: 92.2%
Optimization Iteration: 1801, Training Accuracy: 89.1%
Optimization Iteration: 1901, Training Accuracy: 95.3%
Optimization Iteration: 2001, Training Accuracy: 93.8%
Optimization Iteration: 2101, Training Accuracy: 98.4%
Optimization Iteration: 2201, Training Accuracy: 92.2%
Optimization Iteration: 2301, Training Accuracy: 95.3%
Optimization Iteration: 2401, Training Accuracy: 100.0%
Optimization Iteration: 2501, Training Accuracy: 96.9%
Optimization Iteration: 2601, Training Accuracy: 93.8%
Optimization Iteration: 2701, Training Accuracy: 100.0%
Optimization Iteration: 2801, Training Accuracy: 95.3%
Optimization Iteration: 2901, Training Accuracy: 95.3%
Optimization Iteration: 3001, Training Accuracy: 96.9%
Optimization Iteration: 3101, Training Accuracy: 96.9%
Optimization Iteration: 3201, Training Accuracy: 95.3%
Optimization Iteration: 3301, Training Accuracy: 96.9%
Optimization Iteration: 3401, Training Accuracy: 98.4%
Optimization Iteration: 3501, Training Accuracy: 100.0%
Optimization Iteration: 3601, Training Accuracy: 98.4%
Optimization Iteration: 3701, Training Accuracy: 95.3%
Optimization Iteration: 3801, Training Accuracy: 95.3%
Optimization Iteration: 3901, Training Accuracy: 95.3%
Optimization Iteration: 4001, Training Accuracy: 100.0%
Optimization Iteration: 4101, Training Accuracy: 93.8%
Optimization Iteration: 4201, Training Accuracy: 95.3%
Optimization Iteration: 4301, Training Accuracy: 100.0%
Optimization Iteration: 4401, Training Accuracy: 96.9%
Optimization Iteration: 4501, Training Accuracy: 100.0%
Optimization Iteration: 4601, Training Accuracy: 100.0%
Optimization Iteration: 4701, Training Accuracy: 100.0%
Optimization Iteration: 4801, Training Accuracy: 98.4%
Optimization Iteration: 4901, Training Accuracy: 98.4%
Optimization Iteration: 5001, Training Accuracy: 98.4%
Optimization Iteration: 5101, Training Accuracy: 100.0%
Optimization Iteration: 5201, Training Accuracy: 95.3%
Optimization Iteration: 5301, Training Accuracy: 96.9%
Optimization Iteration: 5401, Training Accuracy: 100.0%
Optimization Iteration: 5501, Training Accuracy: 100.0%
Optimization Iteration: 5601, Training Accuracy: 100.0%
Optimization Iteration: 5701, Training Accuracy: 96.9%
Optimization Iteration: 5801, Training Accuracy: 98.4%
Optimization Iteration: 5901, Training Accuracy: 100.0%
Optimization Iteration: 6001, Training Accuracy: 95.3%
Optimization Iteration: 6101, Training Accuracy: 96.9%
Optimization Iteration: 6201, Training Accuracy: 100.0%
Optimization Iteration: 6301, Training Accuracy: 96.9%
Optimization Iteration: 6401, Training Accuracy: 100.0%
Optimization Iteration: 6501, Training Accuracy: 98.4%
Optimization Iteration: 6601, Training Accuracy: 98.4%
Optimization Iteration: 6701, Training Accuracy: 95.3%
Optimization Iteration: 6801, Training Accuracy: 100.0%
Optimization Iteration: 6901, Training Accuracy: 98.4%
Optimization Iteration: 7001, Training Accuracy: 95.3%
Optimization Iteration: 7101, Training Accuracy: 100.0%
Optimization Iteration: 7201, Training Accuracy: 100.0%
Optimization Iteration: 7301, Training Accuracy: 100.0%
Optimization Iteration: 7401, Training Accuracy: 100.0%
Optimization Iteration: 7501, Training Accuracy: 100.0%
Optimization Iteration: 7601, Training Accuracy: 96.9%
Optimization Iteration: 7701, Training Accuracy: 98.4%
Optimization Iteration: 7801, Training Accuracy: 95.3%
Optimization Iteration: 7901, Training Accuracy: 100.0%
Optimization Iteration: 8001, Training Accuracy: 100.0%
Optimization Iteration: 8101, Training Accuracy: 98.4%
Optimization Iteration: 8201, Training Accuracy: 98.4%
Optimization Iteration: 8301, Training Accuracy: 100.0%
Optimization Iteration: 8401, Training Accuracy: 96.9%
Optimization Iteration: 8501, Training Accuracy: 98.4%
Optimization Iteration: 8601, Training Accuracy: 98.4%
Optimization Iteration: 8701, Training Accuracy: 100.0%
Optimization Iteration: 8801, Training Accuracy: 100.0%
Optimization Iteration: 8901, Training Accuracy: 98.4%
Optimization Iteration: 9001, Training Accuracy: 95.3%
Optimization Iteration: 9101, Training Accuracy: 100.0%
Optimization Iteration: 9201, Training Accuracy: 100.0%
Optimization Iteration: 9301, Training Accuracy: 96.9%
Optimization Iteration: 9401, Training Accuracy: 96.9%
Optimization Iteration: 9501, Training Accuracy: 98.4%
Optimization Iteration: 9601, Training Accuracy: 100.0%
Optimization Iteration: 9701, Training Accuracy: 96.9%
Optimization Iteration: 9801, Training Accuracy: 98.4%
Optimization Iteration: 9901, Training Accuracy: 98.4%
Time usage: 0:00:26
print_test_accuracy(show_example_errors=True,
show_confusion_matrix=True)複製程式碼Accuracy on Test-Set: 98.8% (9880 / 10000)
Example errors:
Confusion Matrix:
[[ 973 0 1 0 0 1 1 0 3 1]
[ 0 1129 2 1 0 0 1 1 1 0]
[ 1 2 1023 2 0 0 0 2 2 0]
[ 1 0 1 1002 0 3 0 1 2 0]
[ 0 1 0 0 974 0 1 0 2 4]
[ 2 0 0 3 0 882 2 0 1 2]
[ 4 1 0 0 1 4 948 0 0 0]
[ 1 4 11 2 0 0 0 1004 2 4]
[ 3 0 4 2 1 2 0 0 960 2]
[ 3 4 1 0 7 5 0 2 2 985]]
權重和層的視覺化
為了理解為什麼卷積神經網路可以識別手寫數字，我們將會對卷積濾波和輸出影象進行視覺化。
繪製卷積權重的幫助函式
def plot_conv_weights(weights, input_channel=0):
# Assume weights are TensorFlow ops for 4-dim variables
# e.g. weights_conv1 or weights_conv2.
# Retrieve the values of the weight-variables from TensorFlow.
# A feed-dict is not necessary because nothing is calculated.
w = session.run(weights)
# Get the lowest and highest values for the weights.
# This is used to correct the colour intensity across
# the images so they can be compared with each other.
w_min = np.min(w)
w_max = np.max(w)
# Number of filters used in the conv. layer.
num_filters = w.shape[3]
# Number of grids to plot.
# Rounded-up, square-root of the number of filters.
num_grids = math.ceil(math.sqrt(num_filters))
# Create figure with a grid of sub-plots.
fig, axes = plt.subplots(num_grids, num_grids)
# Plot all the filter-weights.
for i, ax in enumerate(axes.flat):
# Only plot the valid filter-weights.
if i<num_filters:
# Get the weights for the i'th filter of the input channel.
# See new_conv_layer() for details on the format
# of this 4-dim tensor.
img = w[:, :, input_channel, i]
# Plot image.
ax.imshow(img, vmin=w_min, vmax=w_max,
interpolation='nearest', cmap='seismic')
# Remove ticks from the plot.
ax.set_xticks([])
ax.set_yticks([])
# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()複製程式碼繪製卷積層輸出的幫助函式
def plot_conv_layer(layer, image):
# Assume layer is a TensorFlow op that outputs a 4-dim tensor
# which is the output of a convolutional layer,
# e.g. layer_conv1 or layer_conv2.
# Create a feed-dict containing just one image.
# Note that we don't need to feed y_true because it is
# not used in this calculation.
feed_dict = {x: [image]}
# Calculate and retrieve the output values of the layer
# when inputting that image.
values = session.run(layer, feed_dict=feed_dict)
# Number of filters used in the conv. layer.
num_filters = values.shape[3]
# Number of grids to plot.
# Rounded-up, square-root of the number of filters.
num_grids = math.ceil(math.sqrt(num_filters))
# Create figure with a grid of sub-plots.
fig, axes = plt.subplots(num_grids, num_grids)
# Plot the output images of all the filters.
for i, ax in enumerate(axes.flat):
# Only plot the images for valid filters.
if i<num_filters:
# Get the output image of using the i'th filter.
# See new_conv_layer() for details on the format
# of this 4-dim tensor.
img = values[0, :, :, i]
# Plot image.
ax.imshow(img, interpolation='nearest', cmap='binary')
# Remove ticks from the plot.
ax.set_xticks([])
ax.set_yticks([])
# Ensure the plot is shown correctly with multiple plots
# in a single Notebook cell.
plt.show()複製程式碼輸入影象
繪製影象的幫助函式
def plot_image(image):
plt.imshow(image.reshape(img_shape),
interpolation='nearest',
cmap='binary')
plt.show()複製程式碼如下所示，繪製一張測試集中的影象。
image1 = data.test.images[0]
plot_image(image1)複製程式碼
繪製測試集裡的另一張影象。
image2 = data.test.images[13]
plot_image(image2)複製程式碼
卷積層 1
現在繪製第一個卷積層的濾波權重。
其中正值權重是紅色的，負值為藍色。
plot_conv_weights(weights=weights_conv1)複製程式碼
將這些卷積濾波新增到第一張輸入影象，得到以下輸出，它們也作為第二個卷積層的輸入。注意這些影象被降取樣到14 x 14畫素，即原始輸入圖解析度的一半。
plot_conv_layer(layer=layer_conv1, image=image1)複製程式碼
下面是將卷積濾波新增到第二張影象的結果。
plot_conv_layer(layer=layer_conv1, image=image2)複製程式碼
從這些影象很難看出卷積濾波的作用是什麼。顯然，它們生成了輸入影象的一些變體，就像光線從不同角度打到影象上併產生陰影一樣。
卷積層 2
現在繪製第二個卷積層的濾波權重。
第一個卷積層有16個輸出通道，代表著第二個卷基層有16個輸入。第二個卷積層的每個輸入通道也有一些權重濾波。我們先繪製第一個通道的權重濾波。
同樣的，正值是紅色，負值是藍色。
plot_conv_weights(weights=weights_conv2, input_channel=0)複製程式碼
第二個卷積層共有16個輸入通道，我們可以同樣地畫出其他影象。這裡我們畫出第二個通道的影象。
plot_conv_weights(weights=weights_conv2, input_channel=1)複製程式碼
由於這些濾波是高維度的，很難理解它們是如何應用的。
給第一個卷積層的輸出加上這些濾波，得到下面的影象。
這些影象被降取樣至7 x 7的畫素，即上一個卷積層輸出的一半。
plot_conv_layer(layer=layer_conv2, image=image1)複製程式碼
這是給第二張影象加上濾波權重的結果。
plot_conv_layer(layer=layer_conv2, image=image2)複製程式碼
從這些影象來看，似乎第二個卷積層會檢測輸入影象中的線段和模式，這對輸入圖中的區域性變化不那麼敏感。
關閉TensorFlow會話
現在我們已經用TensorFlow完成了任務，關閉session，釋放資源。
# This has been commented out in case you want to modify and experiment
# with the Notebook without having to restart it.
# session.close()複製程式碼總結
我們看到卷積神經網路在識別手寫數字上的表現要比教程#01中簡單線性模型要好得多。卷積神經網路可能達到99%的分類準確率，如果你做一些調整，還可能表現得更好，而簡單線性模型只有91%的正確率。
然而，卷積神經網路實現起來更復雜，並且光看權重濾波也不好理解為什麼它能奏效或者失敗。
因此我們需要一個更簡單的實現卷積神經網路的方式，同時也要尋找一種更好的方法來對它們內部工作原理進行視覺化。
練習
下面使一些可能會讓你提升TensorFlow技能的一些建議練習。為了學習如何更合適地使用TensorFlow，實踐經驗是很重要的。
在你對這個Notebook進行修改之前，可能需要先備份一下。
如果你不改變任何引數，多次執行Notebook，會得到完成一樣的結果嗎？隨機性的來源是什麼？
再進行10,000次優化。結果有變好麼？
改變優化器的學習率。
改變層次的屬性，比如卷積濾波器數量、濾波器的大小、全連線層中的神經元數量等等。
在全連線層之後新增一個drop-out層。在計算分類準確率的時候，drop-out層可能為0，因此你需要一個placeholder變數。
改變ReLU和max-pooling的順序。它的計算結果相同麼？最快的計算方法是什麼？節省了多少計算量？這也適用於Sigmoid-function和average-pooling嗎？
新增一個或多個卷積層和全連線層。這對效能有幫助嗎？
能得到良好結果的最小可能配置是什麼？
試著在最後一個全連線層中使用ReLU。效能有變化嗎？為什麼？
卷積層裡不用pooling。這對分類準確率和訓練時間有影響嗎？
在卷積層裡用2x2的stride代替max-pooling？有什麼變化嗎？
不看原始碼，自己重寫程式。
向朋友解釋程式如何工作。