Tensorflow MNIST浅层神经网络的解释和答复

本系列文章由 @yhl_leo 出品，转载请注明出处。

文章链接： http://blog.csdn.net/yhl_leo/article/details/51416540

看到之前的一篇博文：深入MNIST code测试，接连有读者发问，关于其中的一些细节问题，这里进行简单的答复。

Tensorflow中提供的示例中MNIST网络结构比较简单，属于浅层的神经网络，只有两个卷积层和全连接层，我按照Caffe的网络结构绘制一个模型流程：

再附上每一层的具体参数网络（依旧仿照caffe的模式）：

现在再来解释一些读着的疑问：

• 在卷积层

  conv1

  和

  conv2

  中的

  32/64

  是什么，怎么来的？这里它们指的其实就是卷积核的数量，这里卷积核设置参数为

  [5,5,1,32], strides=[1,1,1,1], padding='SAME'

  ，分别解释一下：

  • [5,5,1,32]

    ：卷积核为5x5的窗口，因为输入图像是一通道灰度图像，所以第三参数为

    1

    ，使用彩色图像时，一般设置为

    3

    ，最后

    32

    就是指卷积核的数量，为什么要使用这么多卷积核呢？我理解的是，每种卷积只对某些特征敏感，获取的特征很有限，因此将多种不同的卷积核分别对图像进行处理，就能获得更多的特征。每个卷积核按照规则扫描完图像后，就输出一张特征图像（feature map），因此

    32

    也指输出的特征图。

  • strides=[1,1,1,1]

    ：指卷积窗口的滑动方式，这里是指逐像素滑动。

  • padding='SAME'

    ：所谓的

    padding

    是为了解决图像边缘部分的像素，很容易想象，当卷积窗口不是一个像素大小时，图像边缘的部分区域是不能覆盖的（或者说卷积窗口覆盖该像素时，部分窗口已经位于图像区域以外了），很简单的做法是先将图像的拓展一下，使得位于边缘区域的像素也能进行卷积。

    SAME

    就是一种

    padding

    方法，即图像向四周拓展

    kernel_width/2

    和

    kernel_height/2

    个像素。那么这里输出的特征图像的大小就为：

    28x28x32

    。
  • 同理

    [5,5,32,64]

    可以理解。
• 关于

  batch

  大小，我也没有深入了解过，浅显的理解为：训练样本有几万张，如果一起进行结算，其中的矩阵太过庞大，对于计算机来讲非常有压力，所以分批进行，这里的

  50

  就是指每一批的训练子数据的大小。至于训练20000次，是否会导致同一个样本的重复训练？答案是绝对的，机器学习中，有bagging，random forests中有提到这方面的知识，想了解的话，可以自己阅读相关论文。
• 关于训练中准确度反复的现象，这是在正常不过的，要真正理解，首先需要自行补习关于梯度下降算法的原理（这里不详细介绍），一般来讲，我们希望优化算法在最少步骤下收敛到理想的结果，但是难点在于如何在每一步优化的过程中提供最优的学习率，简单的做法是给定固定的”学习率“，例如这里设置的学习率是

  1e-3

  ，这样做虽然不能保证每一步的优化是最优的，但是从大量的训练测试来看，整体趋势是朝着我们所想要的方向。最后附上一张图：

• 关于dropout，是为了避免神经网络训练过程中由于数据样本的不足，导致的过拟合问题。推荐阅读论文：Dropout: A Simple Way to Prevent Neural Networks from Overfitting

解释的比较简单，有不准确的地方请指正，希望能帮到有疑惑的读者，如有其它疑惑，大家一起探讨。