Python识别手写数字

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name参数用以指定该操作的name，与方法有关的一共五个参数：

input：
指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一；
filter：
相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维；
strides：
卷积时在图像每一维的步长，这是一个一维的向量，长度4
padding： string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的卷积方式
use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map

import tensorflow as tf

#输入1张28*28的图片，通道数3，
input = tf.Variable(tf.random_normal([1,3,3,3]))
#卷积核2*2,3个通道，3个卷积核
filter = tf.Variable(tf.random_normal([2,2,3,1]))

# op1 = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')

op1 = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='VALID')

init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(filter))

从这段代码可以很明显的看出，对于参数input和filter，他们的定义方式相同，但是对于他们的shape却代表不同的意义
对于input具有[batch, in_height, in_width, in_channels]这样的shape；
对于filter具有[filter_height, filter_width, in_channels, out_channels]这样的shape

说明input这个矩阵与filter这个矩阵在conv2d这个处理过程中，他们的维度有了不同的意义。

对于使用TensorFlow2中的def conv2d(x, w)函数时遇到的参数问题，可以参考段落4中介绍的tf.nn.conv2d函数来实现手写数字识别。具体步骤如下： 1. 安装TensorFlow2环境，并导入必要的库：

pip install tensorflow==2.0.0
import tensorflow as tf

1. 准备手写数字数据集（如MNIST数据集），并进行预处理和归一化：

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

train_images = train_images.reshape((train_images.shape[0], 28, 28, 1))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((test_images.shape[0], 28, 28, 1))
test_images = test_images.astype('float32') / 255

1. 构建卷积层，使用tf.keras.layers.Conv2D函数进行参数定义和初始化：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))

1. 构建池化层，使用tf.keras.layers.MaxPooling2D函数进行参数定义和初始化：

model.add(tf.keras.layers.MaxPooling2D((2, 2)))

1. 将卷积层与池化层按顺序组合在一起：

model.add(tf.keras.layers.Conv2D(64, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D((2, 2)))

1. 将高维数据展平为一维，使用tf.keras.layers.Flatten函数进行参数定义和初始化：

model.add(tf.keras.layers.Flatten())

1. 添加全连接层，使用tf.keras.layers.Dense函数进行参数定义和初始化：

model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

1. 编译和训练模型，使用tf.keras.Model.compile和tf.keras.Model.fit方法：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5)

在上述步骤中，需要注意参数的维度和大小，如卷积核的大小和个数，以及步长和填充等。可以根据需要进行调整和修改，并根据训练结果进行优化和改进。