#?-*-?coding:?UTF-8?-*-

import?input_data
import?tensorflow?as?tf

mnist?=?input_data.read_data_sets（“MNIST_data/“?one_hot=True）??#讀取圖片數據集
sess?=?tf.InteractiveSession（）

#---------------------------重要函數聲明-------------------------------------
#權重變量
def?weight_variable（shape）:
????#輸出正態分布的隨機值，標準差為0.1，默認最大為1，最小為-1，均值為0
????inital?=?tf.truncated_normal（shape?stddev=0.1）
????return?tf.Variable（inital）

#偏移變量
def?bias_veriable（shape）:
????#創建一個結構為shape的矩陣，或者說數組，聲明其行和列，初始化所有值為0.1
????inital?=?tf.constant（0.1?shape=shape）
????return?tf.Variable（inital）

#卷積函數，大概意思是根據步長一步一步去遍歷輸入的值，行成特征向量輸出到下一層
def?conv2d（x?W）:
????#卷積遍歷各個方向步數為1，SAME表示邊緣自動補0而不是丟棄，遍歷相乘
????#strides：表示步長：當輸入的默認格式為：“NHWC”，
????#則?strides?=?[batch??in_height??in_width?in_channels]。
????#其中?batch?和?in_channels?要求一定為1，即只能在一個樣本的一個通道上的特征圖上進行移動，
????#in_height??in_width表示卷積核在特征圖的高度和寬度上移動的布長
????return?tf.nn.conv2d（x?W?strides=[1?1?1?1]?padding=‘SAME‘）

#池化函數：意思是把輸入的高寬變小，比如4*4?變成2*?2，有兩種方式，一種是取每一個小塊的最大值，另外一種是取每一個小塊的平均值
def?max_pool_2_2（x）:
????#池化卷積結果（conv2d）池化層的kernal采用和2*2的大小，步數也為2，周圍填0，取最大值，數量量縮小
????return?tf.nn.max_pool（x?ksize=[1?2?2?1]?strides=[1?2?2?1]?padding=‘SAME‘）

#--------------------------定義輸入輸出結構---------------------------------
#聲明一個占位符，None表示輸入的圖片數量不定，28*28的圖片分辨率
xs?=?tf.placeholder（tf.float32?[None?784]）
#輸出類別總共是0-9個類別，對應分類的輸出結果
ys?=?tf.placeholder（tf.float32?[None?10]）

#x_image又把xs?reshape成?28*28*1的形狀，因為是灰色圖片，所以通道是1，作為訓練時的input，-1代表圖片數量不定
x_image?=?tf.reshape（xs?[-1?28?28?1]）

#-------------------------搭建網絡，定義算法公式，也就是前進時候具體應該怎么計算----------

#第一層卷積操作
#第一次卷積核的大小即patch第三個參數是圖像通道數，第四個參數是卷積核數目，代表會出現多少個卷積特征圖像
W_conv1?=?weight_variable（[5?5?1?32]）
b_conv1?=?bias_veriable（[32]）?#偏移b的數量應該和w一致
#圖片乘以卷積核加上偏移量，卷積結果為28?*?28?*?32
#relu函數表示一個激活函數，在大于0時激活，激活到第一象限，其他的收斂于一個接近于0的小數
h_conv1?=?tf.nn.relu（conv2d（x_image?W_conv1）?+?b_conv1）

#結果池化，變成14*14*32的池化結果作為下一層的輸入
h_pool1?=?max_pool_2_2（h_conv1）

#第二次卷積
#32個通道卷積出64個特征
w_conv2?=?weight_variable（[5?5?32?64]）
#64個偏移數據
b_conv2?=?bias_veriable（[64]）
#注意上一層池化的結果作為輸入
h_conv2?=?tf.nn.relu（conv2d（h_pool1?w_conv2）?+?b_conv2）
#池化結果
h_pool2?=?max_pool_2_2（h_conv2）
#原始圖像尺寸為28*28第一輪圖像縮小為14*14共32張，第二輪繼續縮小為7*7共64張

#第三層全連接操作
#二維張量，第一個參數7*7*64的patch，第二個參數代表卷積有1024個
W_fc1?=?weight_variable（[7*7*64?1024]）
#1024個偏執量
b_fc1?=?bias_veriable（[1024]）
#將第二層的池化結果reshape成一行，有7*7*64個數據[n?7?7?64]->[n?7*7*64]
h_pool2_flat?=?tf.reshape（h_pool2?[-1?7*7*64]）
#卷積操作結果是1*1*1024，這里只有一行，所以直接采用矩陣相乘，而不是遍歷相乘第一個參數是行向量，第二個是列向量
h_fc1?=?tf.nn.relu（tf.matmul（h_pool2_flat?W_fc1）?+?b_fc1）

#drop操作，為了減少過度擬合，降低上一層某些輸入的權值，防止測評曲線出現震蕩
#使用占位符，由dropout自動確定scale
keep_prob?=?tf.placeholder（tf.float32）
#對卷積結果進行drop操作
h_fc1_drop?=?tf.nn.dropout（h_fc1?keep_prob）

#第四層輸出操作
#二維張量，1*1024矩陣卷積，對應我們定義的10個輸出長度ys
W_fc2?=?weight_variable（[1024?10]）
tf.histogram_summary（‘outputlayer/W‘?W_fc2）
b_fc2?=?bias_veriable（[10]）
tf.histogram_summary（‘outputlayer/b‘?b_fc2）

#結果層用邏輯回歸softmax或者sigmoid
y_conv?=?tf.nn.softmax（tf.matmul（h_fc1_drop?W_fc2）?+?b_fc2）

#定義代價函

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2017-06-08?01:43??GeneticAlgorithm-master\
?????文件????????6937??2017-06-08?01:43??GeneticAlgorithm-master\CNN.py
?????文件???????14416??2017-06-08?01:43??GeneticAlgorithm-master\GA.py
?????文件?????????631??2017-06-08?01:43??GeneticAlgorithm-master\README.md
?????文件?????????463??2019-03-24?17:34??說明.txt