这是在github上找到的对图像进行二分类的代码，我修改了部分内容，然后想问一下大家，这个是卷积神经网络中的那种模型啊？我学的不够深入，分不清楚。
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
def cnn_inference(images, batch_size, n_classes):
# TensorFlow中的变量作用域机制：
# tf.variable_scope(<scope_name>): 指定命名空间
# tf.get_variable(<name>, <shape>, <dtype>, <initializer>): 创建一个变量
# 第一层的卷积层conv1，卷积核(weights)的大小是 3*3, 输入的channel(管道数/深度)为3, 共有16个
with tf.variable_scope('conv1') as scope:
# tf.truncated_normal_initializer():weights初始化生成截断正态分布的随机数，stddev标准差
weights = tf.get_variable('weights',
shape=[3, 3, 3, 16],
dtype=tf.float32,
initializer=tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32))
biases = tf.get_variable('biases',
shape=[16],
dtype=tf.float32,
initializer=tf.constant_initializer(0.1)) # 初始化为常数，通常偏置项biases就是用它初始化的
# strides = [1, y_movement, x_movement, 1], 每个维度的滑动窗口的步幅,一般首末位置固定都为1
# padding = 'SAME', 是考虑边界, 不足时用0去填充周围
# padding = 'VALID', 不考虑边界, 不足时舍弃不填充周围
# weights(卷积核)的大小是 3*3, 数量为16
# strides(滑动步长)是[1,1,1,], 即卷积核在图片上卷积时分别向x、y方向移动为1个单位
# 由于padding='SAME'考虑边界，最后得到16张图且每张图得到16个 200*200 的feature map(特征图)
# conv(最后输出的结果)是shape为[16,200,200,16]的4维张量(矩阵/向量)
# 用weights卷积核对images图片进行卷积
conv = tf.nn.conv2d(images, weights, strides=[1, 1, 1, 1], padding='SAME')
pre_activation = tf.nn.bias_add(conv, biases) # 加入偏差，biases向量与矩阵的每一行进行相加, shape不变
conv1 = tf.nn.relu(pre_activation, name='conv1') # 在conv1的命名空间里，用relu激活函数非线性化处理
# 第一层的池化层pool1和规范化norm1(特征缩放）
with tf.variable_scope('pooling1_lrn') as scope:
# 对conv1池化得到feature map
pool1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
padding='SAME', name='pooling1')
# lrn()：局部响应归一化, 一种防止过拟合的方法, 增强了模型的泛化能力，
norm1 = tf.nn.lrn(pool1, depth_radius=4, bias=1.0, alpha=0.001/9.0,
beta=0.75, name='norm1')
# 第二层的卷积层cov2，卷积核(weights)的大小是 3*3, 输入的channel(管道数/深度)为16, 共有16个
with tf.variable_scope('conv2') as scope:
weights = tf.get_variable('weights',
shape=[3, 3, 16, 16], # 这里的第三位数字16需要等于上一层的tensor维度
dtype=tf.float32,
initializer=tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32))
biases = tf.get_variable('biases',
shape=[16],
dtype=tf.float32,
initializer=tf.constant_initializer(0.1))
conv = tf.nn.conv2d(norm1, weights, strides=[1, 1, 1, 1], padding='SAME')
pre_activation = tf.nn.bias_add(conv, biases)
conv2 = tf.nn.relu(pre_activation, name='conv2')
# 第二层的池化层pool2和规范化norm2(特征缩放）
with tf.variable_scope('pooling2_lrn') as scope:
# 这里选择了先规范化再池化
norm2 = tf.nn.lrn(conv2, depth_radius=4, bias=1.0, alpha=0.001/9.0,
beta=0.75, name='norm2')
pool2 = tf.nn.max_pool(norm2, ksize=[1, 2, 2, 1], strides=[1, 1, 1, 1],
padding='SAME', name='pooling2')
# 第三层为全连接层local3
# 连接所有的特征, 将输出值给分类器 (将特征映射到样本标记空间), 该层映射出256个输出
with tf.variable_scope('local3') as scope:
# 将pool2张量铺平, 再把维度调整成shape(shape里的-1, 程序运行时会自动计算填充)
# 参考：https://blog.csdn.net/csdn0006/article/details/106238909/
reshape = tf.reshape(pool2, shape=[batch_size, -1])
dim = reshape.get_shape()[1].value # 获取reshape后的列数
weights = tf.get_variable('weights',
shape=[dim, 256], # 连接256个神经元
dtype=tf.float32,
initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32))
biases = tf.get_variable('biases',
shape=[256],
dtype=tf.float32,
initializer=tf.constant_initializer(0.1))
# 矩阵相乘再加上biases，用relu激活函数非线性化处理
local3 = tf.nn.relu(tf.matmul(reshape, weights) + biases, name='local3')
# 第四层为全连接层local4
# 连接所有的特征, 将输出值给分类器 (将特征映射到样本标记空间), 该层映射出512个输出
with tf.variable_scope('local4') as scope:
weights = tf.get_variable('weights',
shape=[256, 512], # 再连接512个神经元
dtype=tf.float32,
initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32))
biases = tf.get_variable('biases',
shape=[512],
dtype=tf.float32,
initializer=tf.constant_initializer(0.1))
# 矩阵相乘再加上biases，用relu激活函数非线性化处理
local4 = tf.nn.relu(tf.matmul(local3, weights) + biases, name='local4')
# 第五层为输出层(回归层): softmax_linear
# 将前面的全连接层的输出，做一个线性回归，计算出每一类的得分，在这里是2类，所以这个层输出的是两个得分。
with tf.variable_scope('softmax_linear') as scope:
weights = tf.get_variable('weights',
shape=[512, n_classes],
dtype=tf.float32,
initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32))
biases = tf.get_variable('biases',
shape=[n_classes],
dtype=tf.float32,
initializer=tf.constant_initializer(0.1))
# softmax_linear的行数=local4的行数，列数=weights的列数=bias的行数=需要分类的个数
# 经过softmax函数用于分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解
# 这里local4与weights矩阵相乘，再矩阵相加biases
softmax_linear = tf.add(tf.matmul(local4, weights), biases, name='softmax_linear')
# 这里没做归一化和交叉熵。真正的softmax函数放在下面的losses()里面和交叉熵结合在一起了，这样可以提高运算速度。
# 图片列表中的每张图片分别被每个分类取到的概率，
return softmax_linear
def losses(logits, labels):
with tf.variable_scope('loss') as scope:
# label与神经网络输出层的输出结果做对比，得到损失值（这做了归一化和交叉熵处理）
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='loss_per_eg')
loss = tf.reduce_mean(cross_entropy, name='loss') # 求得batch的平均loss（每批有16张图）
return loss
def training(loss, learning_rate):
with tf.name_scope('optimizer'):
# tf.train.AdamOptimizer():
# 除了利用反向传播算法对权重和偏置项进行修正外，也在运行中不断修正学习率。
# 根据其损失量学习自适应，损失量大则学习率越大，进行修正的幅度也越大;
# 损失量小则学习率越小，进行修正的幅度也越小，但是不会超过自己所设定的学习率。
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate) # 使用AdamOptimizer优化器来使loss朝着变小的方向优化
global_step = tf.Variable(0, name='global_step', trainable=False) # 全局步数赋值为0
# loss：即最小化的目标变量，一般就是训练的目标函数，均方差或者交叉熵
# global_step：梯度下降一次加1，一般用于记录迭代优化的次数，主要用于参数输出和保存
train_op = optimizer.minimize(loss, global_step=global_step) # 以最大限度地最小化loss
return train_op
def evaluation(logits, labels):
with tf.variable_scope('accuracy') as scope:
correct = tf.nn.in_top_k(logits, labels, 1)
correct = tf.cast(correct, tf.float16) # 转换格式为浮点数
accuracy = tf.reduce_mean(correct) # 计算当前批的平均准确率
return accuracy
