Tensorflow教程-卷积神经网络分类

“ 再小的你，也有自己的个性”

通过阅读本文，您能学到：

1、利用卷积神经网络进行分类。

源代码

https://github.com/PrivateThink/tensorflow_tutorial/blob/master/13.py

卷积神经网络不管在计算机视觉还是自然语言处理领域，都是比较经典的模型，特别是在图像处理领域。今天的教程只讲实践，不讲理论，有关于卷积神经网络的理论知识请自行查询。

数据准备

在上面程序中，设置了一些参数，参数的意义已在程序中进行注释。load_data_and_labels函数获取处理好的数据，该函数的代码可以在公开的github上查看。

利用tensorflow自带的词典处理器VocabularyProcessor处理文本，fit方法将文本作为语料进行词典的相关操作，format方法将文本转为序列，获取词典的大小。最后将数据集按照8:2分割训练集和测试集。

模型构建

定义占位符

上述定义了输入占位符、输出占位符、dropout，另外，定义了L2正则化。

嵌入层

嵌入层将词汇索引映射到低维向量表示，首先设置嵌入层的输入变量的大小为[vocab_size, embedding_size]，vocab_size是词典的大小，embedding_size是词向量维度的大小。经过embedding_lookup方法输出的结果为shape=[None，sequence_length，embedding_size]。因为卷积的输入要四维的，所以利用expand_dims拓展最后一维为1，得到的结果为shape=[None，sequence_length，embedding_size，1]。

卷积

首先定义卷积的大小filter_shape，在sequence_length方向上的窗口移动的大小为filter_size，在维度上embedding_size方向上窗口移动大小为embedding_size，因为在embedding_size方向上就是移动一个词的大小，一个词的大小映射为embedding_size大小的词向量。1为输入通道的大小，num_filters为输出通道的大小。经过卷积以后，再进行最大池化操作。

全连接层

将池化层输出的结果进行展开，然后进行dropout操作，然后将权重和偏置进行L2正则化。

定义损失函数，准确率，优化器等。

训练

在上述程序中，将数据分割成batchsize大小的数据进行训练，每一个epoch进进行训练和测试的准确率和损失大小的输出。

今天的教程就讲完了，具体细节可以查看公开的源代码。