码农场课上浅显地介绍了卷积网络，以及配套的常用技巧。速成嘛，没深入探讨原理。编程任务直接给出了实现，要求也只是在其基础上做些小改进，过过干瘾。
任务 4: 卷积模型
设计并训练一个卷积神经网络。
前两次任务中，我们实现了较深的全连接多层神经网络，这次的目标是加入卷积层。
为了降低难度，谷歌直接给出了范例代码，也就是两个卷积层的神经网络：
image_size = 28
num_labels = 10
num_channels = 1 # grayscale
batch_size = 16
patch_size = 5
depth = 16
num_hidden = 64
graph = tf.Graph()
with graph.as_default():
# Input data.
tf_train_dataset = tf.placeholder(
tf.float32, shape=(batch_size, image_size, image_size, num_channels))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
# Variables.
layer1_weights = tf.Variable(tf.truncated_normal([patch_size, patch_size, num_channels, depth], stddev=0.1))
layer1_biases = tf.Variable(tf.zeros([depth]))
layer2_weights = tf.Variable(tf.truncated_normal([patch_size, patch_size, depth, depth], stddev=0.1))
layer2_biases = tf.Variable(tf.constant(1.0, shape=[depth]))
layer3_weights = tf.Variable(
tf.truncated_normal([image_size // 4 * image_size // 4 * depth, num_hidden], stddev=0.1))
layer3_biases = tf.Variable(tf.constant(1.0, shape=[num_hidden]))
layer4_weights = tf.Variable(tf.truncated_normal([num_hidden, num_labels], stddev=0.1))
layer4_biases = tf.Variable(tf.constant(1.0, shape=[num_labels]))
# Model.
def model(data):
conv = tf.nn.conv2d(data, layer1_weights, [1, 2, 2, 1], padding='SAME')
hidden = tf.nn.relu(conv + layer1_biases)
conv = tf.nn.conv2d(hidden, layer2_weights, [1, 2, 2, 1], padding='SAME')
hidden = tf.nn.relu(conv + layer2_biases)
shape = hidden.get_shape().as_list()
reshape = tf.reshape(hidden, [shape[0], shape[1] * shape[2] * shape[3]])
hidden = tf.nn.relu(tf.matmul(reshape, layer3_weights) + layer3_biases)
return tf.matmul(hidden, layer4_weights) + layer4_biases
# Training computation.
logits = model(tf_train_dataset)
loss = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(logits, tf_train_labels))
# Optimizer.
optimizer = tf.train.GradientDescentOptimizer(0.05).minimize(loss)
# Predictions for the training, validation, and test data.
train_prediction = tf.nn.softmax(logits)
valid_prediction = tf.nn.softmax(model(tf_valid_dataset))
test_prediction = tf.nn.softmax(model(tf_test_dataset))
num_steps = 1001
with tf.Session(graph=graph) as session:
tf.initialize_all_variables().run()
print('Initialized')
for step in range(num_steps):
offset = (step * batch_size) % (train_labels.shape[0] - batch_size)
batch_data = train_dataset[offset:(offset + batch_size), :, :, :]
batch_labels = train_labels[offset:(offset + batch_size), :]
feed_dict = {tf_train_dataset: batch_data, tf_train_labels: batch_labels}
_, l, predictions = session.run(
[optimizer, loss, train_prediction], feed_dict=feed_dict)
if (step % 50 == 0):
print('Minibatch loss at step %d: %f' % (step, l))
print('Minibatch accuracy: %.1f%%' % accuracy(predictions, batch_labels))
print('Validation accuracy: %.1f%%' % accuracy(
valid_prediction.eval(), valid_labels))
print('Original Test accuracy: %.1f%%' % accuracy(test_prediction.eval(), test_labels))
其中layer1和2是卷积层，layer3是隐藏层，layer4是输出层。网络结构类似lecture里面的范例：
上图有3个卷积层，depth变化是3->16->64->256。
在实例代码中，隐藏层和输出层没什么稀奇的，重点关注前两个卷积层。layer1_weights的大小是
[patch_size, patch_size, num_channels, depth]
表示layer1的目的是将28*28的图像空间压缩为patch_size*patch_size，但每个像素的通道由num_channels“变厚”为depth，同一个patch内的像素点应该共享一套参数。
同理，layer2_weights的大小是
[patch_size, patch_size, depth, depth]
虽然空间大小和深度都没有变化，但旧空间中的一个块被map到新空间中的一个点，肯定又发生了一次抽象。这个卷积层不是摆设。
在session中，
conv = tf.nn.conv2d(data, layer1_weights, [1, 2, 2, 1], padding='SAME') hidden = tf.nn.relu(conv + layer1_biases) conv = tf.nn.conv2d(hidden, layer2_weights, [1, 2, 2, 1], padding='SAME') hidden = tf.nn.relu(conv + layer2_biases)
执行卷积操作，达到目的。
其中，第三个参数表示stride=2，参考官方文档：
In detail, with the default NHWC format,
output[b, i, j, k] = sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] * filter[di, dj, q, k]Must have strides[0] = strides[3] = 1. For the most common case of the same horizontal and vertices strides, strides = [1, stride, stride, 1].
这个卷积操作应该类似下图（每次移动stride=2）：
执行后得到：
Original Test accuracy: 89.1%
有很大改进空间。
题目1
使用kernel=2的max pooling代替上面的stride。
stride=2跳过了两行或两列像素，这是一种激进的方法（优达学城翻译成“非常有效的方法”，肯定不对），因为这种采样策略损失了不少信息。max pooling的大意是取每个点周围的最大值，具体内部怎么实现我也不猜了，反正这就是个快餐教程，以后肯定要看更务实的课程。
将
conv = tf.nn.conv2d(data, layer1_weights, [1, 2, 2, 1], padding='SAME') hidden = tf.nn.relu(conv + layer1_biases) conv = tf.nn.conv2d(hidden, layer2_weights, [1, 2, 2, 1], padding='SAME') hidden = tf.nn.relu(conv + layer2_biases)
替换为：
conv1 = tf.nn.relu(tf.nn.conv2d(data, layer1_weights, [1, 1, 1, 1], padding='SAME') + layer1_biases) pool1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') conv2 = tf.nn.relu(tf.nn.conv2d(pool1, layer2_weights, [1, 1, 1, 1], padding='SAME') + layer2_biases) pool2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
输出：
Max pool Test accuracy: 89.6%
略有改善。注意这里
num_steps = 1001
所以跟上次任务没什么可比性。卷积神经网络训练太费时了，上次烧了两壶水，这次是BBQ。
题目2
参考经典的LeNet-5，
用Dropout、学习率递减等技巧来改善卷积网络。
LeNet-5不含输入层的话有7层，完全模仿太复杂了，即使写出来估计也跑不动。直接加个正则化、dropout和指数递减快点完事吧。
Dropout
在隐藏层的输出上加个Dropout：
fc1_drop = tf.nn.dropout(fc1, keep_prob)
正则化
在损失函数上加个beta=0.001的正则项：
loss = cross_entropy + 0.001 * ( tf.nn.l2_loss(layer3_weights) + tf.nn.l2_loss(layer3_biases) + tf.nn.l2_loss(layer4_weights) + tf.nn.l2_loss( layer4_biases))
学习率
optimizer加个学习率递减：
learning_rate = tf.train.exponential_decay(1e-1, global_step, num_steps, 0.7, staircase=True) optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
输出：
Lenet 5 Test accuracy: 94.6%
Reference：
https://arxiv.org/pdf/1603.07285v1.pdf
https://github.com/vdumoulin/conv_arithmetic
